MONARCH 2试验中机器学习预测CTCs是HR+/HER2-晚期乳腺癌的独立预后因素

摘要:2024年美国临床肿瘤学会(ASCO)年会已于当地时间5月31日-6月4日在美国芝加哥盛大召开,大会期间公布了众多乳腺癌领域的重磅研究成果。HR+/HER2-是乳腺癌的最常见亚型,CDK4/6抑制剂联合内分泌治疗在该领域扮演着重要角色,备受领域学者重点关注,相

转自:医学界

2024年美国临床肿瘤学会(ASCO)年会已于当地时间5月31日-6月4日在美国芝加哥盛大召开,大会期间公布了众多乳腺癌领域的重磅研究成果。HR+/HER2-是乳腺癌的最常见亚型,CDK4/6抑制剂联合内分泌治疗在该领域扮演着重要角色,备受领域学者重点关注,相关前沿进展也在今年的ASCO大会上惊艳亮相。不仅如此,围绕CDK4/6抑制剂联合内分泌治疗HR+/HER2-晚期乳腺癌的临床证据仍在不断积累中,诸如MONARCH 2研究验证了阿贝西利与氟维司群联合疗法在HR+/HER2-转移性乳腺癌中的疗效。

在近期披露的相关进展中,研究者利用K-近邻(KNN)机器学习算法对包含2436例转移性乳腺癌(MBC)患者的数据集进行训练,以计算预测循环肿瘤细胞(CTCs)值,并将患者分为预测IV期侵袭性(pIV期侵袭性,≥5个预测CTCs)和预测IV期非侵袭性(pIV期非侵袭性,[1],在进行多变量Cox回归分析后,CTCs数量被确认与总生存期(OS)独立相关,并且这种影响与其他因素(例如ECOG体能状态评分、肝脏受累、仅骨转移的疾病状态以及治疗组)一起被考虑在内,能够独立地预测患者的OS获益。此外,pIV期非侵袭性亚组中接受阿贝西利联合氟维司群治疗的患者预后最佳,并且在各个亚组中,阿贝西利联合氟维司群对OS的治疗效果显示出一致性。现将研究主要内容梳理如下,以飨读者。

研究方法

在III期MONARCH 2试验中,利用KNN机器学习算法对CTCs进行了预测性计算。MONARCH 2试验纳入了接受内分泌治疗后疾病进展的HR+/HER2-晚期乳腺癌患者,且不考虑其绝经状态。在每个28天的治疗周期中,患者接受每日两次150mg阿贝西利或安慰剂分别联合500mg氟维司群治疗,直至疾病进展、死亡或因其他任何原因中断治疗。

排除晚期阶段接受过>1次内分泌治疗或任意化疗的患者。KNN是一种监督式机器学习算法,适用于解决分类和回归两类问题。该算法模型先前已通过欧洲汇总分析联盟(EPAC)及MD安德森癌症中心提供的2436例晚期乳腺癌患者的综合数据集进行训练,旨在识别血液中CTCs数量达到或超过5/7.5ml的患者,进而区分IV期侵袭性乳腺癌与IV期非侵袭性乳腺癌。根据雌激素受体状态(ER)(阳性vs.阴性)、孕激素受体状态(PR)(阳性vs.阴性)、HER2状态(阳性vs.阴性)、治疗线(连续变量)、骨和肝脏受累(是vs.否)训练模型,然后将具有所有必要特征的患者(2248例)以3:1的比例随机分配到训练集(1687例)和验证集(561例)。

该分类器的准确率为65.1%,其预后影响导致预测的IV期侵袭性乳腺癌(pIV期侵袭性乳腺癌)与预测的IV期非侵袭性乳腺癌(pIV期非侵袭性乳腺癌)的风险比(HR)为1.89(P

研究结果

KNN分类器可适用于随机试验数据集

MONARCH 2入组了669例内分泌耐药的HR+/HER2-晚期乳腺癌女性患者,644例患者符合KNN条件。基线时,411例(63.8%)患者年龄

归类为pIV期侵袭性乳腺癌和pIV期非侵袭性乳腺癌的患者分别为183例(28%)和461例(72%)。除PR(P

pIV期侵袭性乳腺癌和pIV期非侵袭性乳腺癌的中位PFS分别为10.7个月和15.3个月(P=0.0011)(图1A),中位OS分别为47.8个月和32.2个月(P

图1.通过预测CTCs分层的不同疾病患者PFS(A)和OS(B) Kaplan Meier曲线。pIV期侵袭性乳腺癌和pIV期非侵袭性乳腺癌的中位PFS分别为10.7和15.3个月(P=0.0011)(A),而OS分别为32.2和47.8个月(P

预测CTCs是OS的独立预后因素

单变量分析后,观察到预测CTCs对PFS和OS的预后影响(分别为HR=1.39,95%CI,1.14-1.69,P=0.001和HR=1.67,95%CI,1.33-2.10,P

表1. PFS的单变量和多变量预后分析

表2. OS的单变量和多变量预后分析

多变量Cox回归分析显示,预测CTCs是OS的独立预后因素(HR=1.36,95%CI,1.03-1.79,P=.0301),并且当与ECOG体能状态(HR=1.74,95%CI,1.39-2.17,P

pIV期非侵袭性乳腺癌亚组接受阿贝西利联合氟维司群治疗的患者在PFS(图2A)和OS(2B)方面均表现出最佳的预后(中位PFS:19.4个月,P

图2.通过预测CTCs分层的不同疾病亚组患者接受阿贝西利或安慰剂分别联合氟维司群治疗的PFS(A)和OS(B) Kaplan Meier曲线

预测CTCs可结合临床特征探索关注的潜在亚组

研究将预测CTCs结果与临床相关的因素结合起来,以创建具有相似特征(同质性)的患者亚组,从而突出一些假设生成的特定情况。例如在年龄

pIV期非侵袭性乳腺癌亚组在内脏转移(pIV期非侵袭性乳腺癌和pIV期侵袭性乳腺癌的中位OS分别为44.9个月和28.8个月,P

预测CTCs也能对患者进行显著分层,且与既往治疗线(无既往治疗线P

研究还通过亚组分析探索阿贝西利联合氟维司群对OS的治疗结局,结果观察到所有亚组均有一致的获益(图3G)。在pIV期非侵袭性乳腺癌亚组中,OS HR=0.68(95%CI,0.52-0.89),而在pIV期侵袭性乳腺癌亚组中观察到HR=0.89(95%CI,0.60-1.35),相互作用的P值为0.262(图3G)。

图3.预测CTCs和不同临床特征亚组的OS Kaplan Meier曲线(A-F)和森林图(G)。在年龄

研究总结

该研究是首次分析CTCs模型用于IV期疾病分层,这也给到临床重要启示,需要在CTCs分层的基础上扩大对耐药生物标志物的评估,从而改善以生物标志物为驱动的药物开发和个性化治疗。实际上,CTCs计数可以通过针对IV期疾病中的不同侵袭性亚组来优化临床试验资源,以提高试验中的事件发生率,从而在试验设计中实现更小的样本量需求和更短的随访周期。

参考文献:

1.Gerratana L, Kocherginsky M, Davis AA, et al. Circulating Tumor Cells Prediction in Hormone Receptor Positive HER2-Negative Advanced Breast Cancer: A Retrospective Analysis of the MONARCH 2 Trial. Oncologist. 2024 Feb 2;29(2):123-131.

审批编号:CN-147876 有效期至:2025-11-21本材料由阿斯利康提供,仅供医疗卫生专业人士参考

来源:新浪财经

相关推荐