夜雨聆风
从“读懂”病理切片，到预测复发风险，再到识别可能快速进展的人群，人工智能（AI）正越来越深地参与乳腺癌诊疗决策。2026年美国临床肿瘤学会（ASCO）年会召开在即，日前大会摘要已正式公布，作为全球肿瘤领域最具影响力的学术盛会之一，一起来看看在这一全球顶级肿瘤学盛会上，AI在乳腺癌领域又有哪些值得关注的新进展？
AI衍生的组织学特征在21基因复发评分基础上的增量预后价值：TAILORx研究的前瞻性-回顾性验证[1]
21基因复发评分（RS）是HR+/HER2-早期乳腺癌（EBC）风险分层的核心工具。但同一RS分类内的患者，临床预后仍存在显著差异。RlapsRiskBC（RR）是一种基于AI病理的检测方法，整合了HE染色全切片图像的特征与临床数据（年龄、肿瘤大小、淋巴结状态），基于7项回顾性队列、共6039例患者开发而成。本研究评估了RR及其仅含组织学特征的组分（RR-H），在RS与标准临床病理因素之外的临床有效性。
RR的临床有效性已通过4项队列、覆盖不同地理区域与实验室环境的8521例患者的验证项目得以确立，其中包括3项国际队列（n=933），以及对TAILORx试验的前瞻性-回顾性分析——该试验中，7585例患者（占可分析患者的97.5%）可评估RR-H。主要终点为无远处复发生存期（DRFI）。在TAILORx队列中，采用Cox比例风险模型与C指数对比，评估了RR-H评分在基础模型（由年龄、肿瘤大小、组织学分级和RS构成）基础上的增量价值。
在国际验证队列中（中位随访7.5年，9.8%的患者出现DRFI终点事件），RR可有效对患者进行分层（HR=4.91；95%CI3.13-7.71；p<0.00001），并识别出低风险人群，其5年DRFI率达97.5%（95%CI95.8-98.5%）。在TAILORx队列（n=7584）中，RR-H评分是DRFI的高度显著独立预测因素。将RR-H作为连续变量纳入含RS的基础模型后，C指数从0.6730显著提升至0.7007（p<0.0001）；RR-H评分每升高1分，对应的HR值为1.108（95%CI1.078-1.138；p<0.0001）。按四分位数分析，最高风险组（Q4）患者的远处复发风险，显著高于最低风险组（Q1）（HR=2.656；95%CI2.003-3.522）。一致性分析显示，RR-H与间质肿瘤浸润淋巴细胞（TILs）相互独立（R²=0.01）；尽管RR-H与组织学分级升高相关，但两者的分布存在显著重叠，证实了其在同一分级内的预后细分能力。此外，RR-H的分布在浸润性小叶癌（ILC）与非ILC患者中保持一致。
RR在来自不同人群与环境的8520例患者中，展现出稳健且可重复的预后价值，确立了其临床有效性。TAILORx研究的进一步结果显示，RR-H可提供显著、独立的预后价值，与现有预后工具（包括基因组检测与临床病理因素）形成互补，提示整合AI病理技术可优化精准风险评估，从而实现HR+/HER2-早期乳腺癌辅助治疗的个体化优化。
构建基于组织病理学图像的跨模态AI建模，用于ER+/HER2-乳腺癌内分泌或化疗-内分泌治疗患者预后分层[2]
研究背景
21基因复发评分（OncotypeDX，ODX）已被广泛用于指导早期ER+/HER2-乳腺癌的辅助治疗决策。但对于仅接受内分泌治疗（HT），或化疗后序贯内分泌治疗（HT+CT）的患者，ODX对残余转移风险的分层能力有限。本研究开发了一种跨模态AI方法，可直接从常规HE染色的全切片图像（WSIs）中提取风险评分，对接受标准辅助治疗的患者进行转移预后分层。
本研究采用跨模态迁移学习框架，首先基于公共ScanB数据集，整合数千个基因与信号通路活性，将RNA测序数据与远处转移结局相关联，构建了基因组生物标志物；随后基于TCGA数据集，训练深度学习模型，直接从乳腺肿瘤的全切片图像中推断上述生物标志物。在MD安德森癌症中心的独立队列中进行了外部验证，该队列纳入287例早期ER+/HER2-、淋巴结阴性的患者，其中147例ODX评分<25的患者仅接受内分泌治疗，140例ODX评分>25的患者中，121例接受了化疗+内分泌治疗。采用Kaplan-Meier生存分析、log-rank检验和Cox比例风险模型，评估各治疗组内的预后分层效果。
在仅接受内分泌治疗的患者中，AI评分可有效对转移结局进行分层（HR=2.75；p<0.01），识别出尽管ODX评分较低、但仍出现远处复发的患者；在接受化疗+内分泌治疗的患者中，AI评分同样可实现预后分层（HR=3.94；p<0.03），识别出尽管接受了联合治疗、但仍发生转移的患者。在所有治疗组中，AI评分均可提供ODX与临床病理变量之外的额外预后信息。在校正ODX与临床协变量的多因素分析中，AI评分仍与转移风险独立相关，且在各临床相关亚组中均保持稳定的分层效果。目前正在扩大队列对上述结果进行进一步验证。
该方法基于AI，可直接通过早期ER+/HER2-乳腺癌的常规组织病理学图像，对ODX指导下接受内分泌或化疗+内分泌治疗的患者进行进一步的预后分层。因此，将AI衍生的预后分层与ODX评分相结合，可优化个体化治疗决策，为替代治疗方案的选择提供支持。
基于机器学习预测HR+/HER2-转移性乳腺癌（mBC）患者接受CDK4/6抑制剂（CDK4/6i）一线治疗后的快速进展[3]
CDK4/6抑制剂±芳香化酶抑制剂，是HR+/HER2-转移性乳腺癌患者一线治疗的首选方案。尽管部分患者在标准治疗后会出现快速进展，但由于难以精准识别这类患者，该未满足的临床需求仍极具挑战性。既往研究已通过多模态数据实现了对快速进展患者的预测，而常规收集的电子健康记录（EHR）变量，在临床试验设计与人群富集场景中可能更具实用性。因此，本研究开展了可行性评估，以明确EHR数据是否可充分预测快速进展患者。
研究基于Flatiron健康研究数据库，纳入2015年2月3日及以后开始一线CDK4/6抑制剂治疗，且治疗开始后12个月内出现终点事件，或随访时间≥12个月的患者。快速进展定义为治疗开始后12个月内出现真实世界疾病进展或死亡。基于基线人口学资料、临床特征、实验室/生命体征数据，分别训练了逻辑回归（LR）模型和全特征XGBoost（XGB）模型；同时通过依次移除重要性最低的特征，直至曲线下面积（AUC）出现下降，构建了特征降维的XGB模型。通过网格搜索优化超参数，采用AUC评估模型性能，通过LR系数和SHapley加性解释值评估特征重要性。测试集分析中，采用Kaplan-Meier法，对比预测快速进展者（pFPs）与预测非快速进展者（pNFPs）的真实世界无进展生存期（rwPFS）。
研究结果
本研究共纳入10811例患者，其中3782例被识别为快速进展者，按80:20比例分为训练集与测试集。3个模型对快速进展的预测性能相当，均可有效将患者分为不同风险组（见表）。LR模型和XGB模型分别纳入了48个和76个特征，而特征筛选后的XGB模型仅保留30个特征，且性能无明显下降。LR模型的核心预测因素包括高龄、BRCA/ESR1/AKT阳性、初诊IV期疾病；XGB模型的重要特征在各模型中保持一致，以连续型指标为主，包括转移确诊时间更短、转移负荷更高、天冬氨酸氨基转移酶（AST）与碱性磷酸酶水平升高、仅骨转移。
尽管这些模型尚未优化为床旁临床风险评分，但其基于可规模化、常规收集的变量识别高/低风险组的能力，凸显了其在临床试验设计、富集策略、队列分层中的潜在应用价值。本研究结果建立了真实世界基准，证实了仅基于EHR数据的实用化方法，用于快速进展预测的可行性。
参考文献：
1.Magali Iacroix-Triki,et al.Incremental prognostic value of an AI-derived histology signature beyond the 21-gene recurrence score: A prospective-retrospective validation in TAILORx.2026 ASCO 554P.
2.Hassan Muhammad,et al.Cross-modality AI modeling of histopathology images to stratify outcomes among patients treated with hormonal or chemo-hormonal therapy in ER+/HER2− breast cancer.2026 ASCO 1028P.
3.Michael Peng,et al.Using ML to predict rapid progression for patients (pts) with HR+/HER2- metastatic breast cancer (mBC) treated with frontline (1L) CDK 4/6 inhibitors (CDK4/6i).2026 ASCO 1025P.
来源：ASCO官网
排版：Ocean
执行：Faline
本平台旨在为医疗卫生专业人士传递更多医学信息。本平台发布的内容，不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议。如该等信息被用于了解医学信息以外的目的，本平台不承担相关责任。本平台对发布的内容，并不代表同意其描述和观点。若涉及版权问题，烦请权利人与我们联系，我们将尽快处理。
