基于机器学习算法对HR阴性/HER-2不同表达乳腺癌的临床病理特征建模分析筛选

摘要

目的:以机器学习算法为基础分析激素受体(HR)阴性/人表皮生长因子受体2(HER-2)不同表达的乳腺癌临床病理特征差异。方法:采用免疫组化技术及原位杂交技术检测乳腺癌标本中雌激素受体(ER)、孕激素受体(PR)及HER-2的表达，并构建机器学习算法模型分析其与乳腺癌临床病理特征的关系。结果:(1)共筛选出183例ER和PR均为阴性乳腺癌，其中HER-2阳性96例，HER-2阴性87例(HER-2零表达39例，HER-2低表达48例)。(2)采用机器学习算法选择准确率最高的随机森林模型对183例HR-乳腺癌临床病理特征进行筛选，发现三阴型最具重要性的特征为淋巴细胞/单核细胞比值(LMR)(变量重要性=0.243),其次为病理分级、血小板/淋巴细胞比值(PLR)、Ki-67表达等。(3)机器学习算法选择准确率最高的随机森林模型筛选出HER-2零表达组最重要的特征为Ki-67表达(变量重要性=0.222),其次为BMI、LMR、PLR等。结论:与HR阴性/HER-2阳性型乳腺癌相比，三阴型乳腺癌的恶性程度更高，预后更差。三阴型乳腺癌中HER-2零表达免疫微环境中免疫炎性细胞更为活跃，可能从免疫检查点抑制剂治疗后获益更多；而HER-2低表达可优先考虑抗体药物偶联物治疗。

关键词

机器学习算法 / HR / HER-2 / 乳腺癌

基金资助

国家自然科学基金面上项目(82373294); 安徽省自然科学基金项目(2208085MH243); 安徽省高等学校自然科学重点项目(2022AH051237)