激素受体阳性
（HR+）
/人表皮生长因子受体2阴性
（HER2-）
乳腺癌是乳腺癌中最为常见的亚型，占所有乳腺癌病例的65%~70%
【1】
，此类患者面临长期的复发风险，现有预测模型大多基于少量维度数据，预测效能具有一定局限性
【2】
。如何提高复发预测的准确性，成为亟待解决的重要临床挑战。
近日，来自复旦大学附属肿瘤医院
邵志敏
教授、
肖毅
副研究员团队在
Cell Reports Medicine
杂志发表了一篇题为
Multimodal integration using a machine learning approach facilitates risk stratification in HR+/HER2- breast cancer
的研究论文。
该研究基于团队前期已构建的大规模HR+HER2-乳腺癌多模态队列
【3】
，
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
，
该模型在预测HR+HER2-乳腺癌复发风险方面表现出不错的性能，一致性指数
（C-index）
在训练集和测试集分别达到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
（图1）
。
多模态模型预测性能显著优于传统模型，原因可能在于多模态特征间的协同互补效应，其中研究者发现同源重组修复缺陷
（HRD）
评分与多个模态特征表现出显著正相关性，这些特征之间复杂作用揭示了HRD与多种细胞生物学行为的紧密联系，为多模态模型较好的预测效能提供了理论基础。此外，研究团队分别使用单一模态信息构建单模态模型，发现各单模型间的风险预测相对独立，不同单模态模型计算出的风险评分相关性较低，预测的高危患者差异较大，表明不同模态之间包含丰富的协同及互补信息，多模态模型能有效地整合这些协同互补特征，从而提升对患者复发风险的预测精准度，为临床风险分层与精准治疗决策提供更具价值的工具。
为降低多模态数据收集成本，该团队进一步简化了多模态模型，在保留临床中常规收集的临床信息，多维免疫组化和病理组学的全部特征的同时，利用留一法计算了特征重要性评分，分别筛选出代谢组、转录组、基因组和拷贝数变异中最重要的2-3个特征，显著减少了数据维度。简化模型在测试中的平均曲线下面积
（AUC）
达到0.84，依然表现出较高的预测性能。这一改进为多模态模型快速推广及临床应用提供了可能。
综上所述，该研究通过整合多维度信息构建了预测HR+HER2-乳腺癌复发的多模态模型，并阐明多模态模型背后性能提升的潜在原因，最终通过精简模型特征构建了多模态简化模型，为临床应用提供了新手段。
复旦大学附属肿瘤医院肖毅副研究员，邵志敏教授、江一舟教授团队为本文的通讯作者，复旦大学附属肿瘤医院张航博士，杨帆博士，徐颖博士为本文第的共同第一作者，复旦大学附属肿瘤医院赵珅博士为该工作提供了重要帮助。团队对这一多模态模型申请了相关专利，后续将继续开展相关转化工作。
原文链接：https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(24)00695-5
制版人：十一
1. Huppert, L.A., et al., Systemic therapy for hormone receptor-positive/human epidermal growth factor receptor 2-negative early stage and metastatic breast cancer.
CA Cancer J Clin
, 2023. 73(5): p. 480-515.
2. Prat, A., et al., Concordance among gene expression-based predictors for ER-positive breast cancer treated with adjuvant tamoxifen.
Ann Oncol
, 2012. 23(11): p. 2866-2873.
3. Jin, X., et al., Molecular classification of hormone receptor-positive HER2-negative breast cancer.
Nat Genet
, 2023. 55(10): p. 1696-1708.
BioART战略合作伙伴
（*排名不分先后）
