Cell子刊：复旦大学肖毅/邵志敏/江一舟团队开发AI模型，预测乳腺癌复发结局

摘要：作为临床关注的重点问题，HR+/HER2− 乳腺癌的复发是一个持续的过程，其每年的远端复发率保持在 1%。多达 20% 的 HR+/HER2− 乳腺癌患者因内分泌耐药机制而出现复发性转移。即使经过 5 - 10 年的标准内分泌治疗，复发仍持续不断。因此，迫切需

编辑丨王多鱼

排版丨水成文

乳腺癌是女性中最常见的癌症，激素受体阳性（HR+）/人表皮生长因子受体 2 阴性（HER2−）乳腺癌是主要亚型，占据了乳腺癌的 65%-70%。

作为临床关注的重点问题，HR+/HER2− 乳腺癌的复发是一个持续的过程，其每年的远端复发率保持在 1%。多达 20% 的 HR+/HER2− 乳腺癌患者因内分泌耐药机制而出现复发性转移。即使经过 5 - 10 年的标准内分泌治疗，复发仍持续不断。因此，迫切需要预测 HR+/HER2− 乳腺癌患者复发的风险。

2025 年 1 月 22 日，复旦大学附属肿瘤医院肖毅副研究员、邵志敏教授、江一舟教授等人在 Cell 子刊Cell Reports Medicine上发表了题为：Multimodal integration using a machine learning approach facilitates risk stratification in HR+/HER2- breast cancer 的研究论文。

该研究基于大样本 HR+/HER2- 乳腺癌多组学队列，整合基线临床数据，多维度免疫组化、代谢组、病理组、转录组、基因组和拷贝数变异信息，构建了多模态机器学习预测模型——CIMPTGV，为精准预测 HR+/HER2- 乳腺癌复发风险提供了创新性解决方案。

生物标志物发现、多组学技术和预后预测模型优化方面的进展，使得预测癌症治疗的耐药性和复发风险成为可能。基因表达谱分析，例如 Oncotype DX 检测和 MammaPrint，为将乳腺癌患者分为低风险和高风险组提供了策略，并有助于识别早期 ER+ 乳腺癌患者中可能从化疗中获益的人群。

然而，这些预测标志物在某些情况下存在局限性，这种局限性在一定程度上归因于主要依赖临床病理或转录组学数据，这些数据无法全面捕捉癌症的复杂性。

随着测序技术的进步和成本的降低，包括基因组、转录组、蛋白质组、代谢组和表观基因组在内的多组学数据变得越来越容易获取。此外，人工智能（AI）技术的出现促进了来自多模态的数据的整合。

近年来，多模态机器学习已被用于治疗效果预测、术后分层和预后评估，展现出其相当大的实用价值。多模态的整合能够从各个方向全面了解肿瘤特征，而机器学习方法能够将这些数据转化为先进的预后模型。然而，由于数据收集、队列建立以及整合方法等方面的问题，多种组学类型的整合仍然具有挑战性。其在乳腺癌中的应用也仍待进一步探索。

在这项研究中，研究团队利用包含 579 名 HR+/HER2- 乳腺癌患者的多组学信息的队列，构建了一个机器学习框架，并生成了一个名为CIMPTGV的多模态模型，该模型整合了临床信息（ C linical information）、免疫组化（ I mmunohistochemistry）、代谢组学（ M etabolomics）、病理组学（ P athomics）、转录组学（ T ranscriptomics）、基因组学（ G enomics）和拷贝数变异（Copy Number V ariations），以预测 HR+/HER2- 乳腺癌的复发风险。

CIMPTGV 模型在预测复发风险方面表现出色，其在训练集和测试集上的一致性指数（C指数）分别为 0.871 和 0.869。可准确预测74.2%的复发患者和85.8%的未复发患者。该模型的预测效果优于常规临床病理指标，且在不同临床亚组间均可显著区分高低危复发风险患者。值得注意的是，同源重组缺陷（HRD）评分与 CIMPTGV 风险评分呈显著正相关。特征分析揭示了不同模态之间的协同效应和互补效应，这有助于 CIMPTGV 模型获得较高的 C 指数。

为了促进临床应用，研究团队还开发了 CIMPTGV 模型的简化版，这种简化的模型在临床环境中优于常见的模态组合，平均曲线下面积（AUC）为 0.840，有望改善 HR+/HER2- 乳腺癌复发的预测，有助于识别高危患者，并通过个性化治疗策略改善其预后。

该研究的亮点：

CIMPTGV 模型是一种由机器学习方法生成的多模态模型；

CIMPTGV 模型能够预测 HR+/HER2- 乳腺癌患者的复发；

协同作用和互补作用增强了 CIMPTGV 模型的效果；

一个简化的 CIMPTGV 模型平衡了效率、减少了数据收集成本