基于MammaPrint?的整合数学模型实现早期乳腺癌个性化复发风险预测

　　本研究针对早期乳腺癌复发风险预测的临床需求，整合MammaPrint?基因组风险分型、放疗剂量（BED）、分子表型（Luminal A/B）及临床病理因素，构建了Firth惩罚逻辑回归模型。结果显示模型区分度良好（AUC=0.755），首次报道低剂量放疗（BED<60 Gy）较未放疗组显著改善总生存（p=0.0475），为个性化辅助治疗决策提供量化工具。

　　

乳腺癌是全球女性最常见的恶性肿瘤，早期患者在接受保乳手术后常需辅助放疗以降低复发风险。然而，传统临床病理指标（如肿瘤大小、淋巴结状态）的预测精度有限，且放疗相关毒性及过度治疗问题日益凸显。随着基因检测技术的发展，MammaPrint?70基因签名等基因组工具为风险分层提供了新视角，尤其超低风险（Ultralow Risk）患者可能无需强烈治疗。但基因组信息与放疗剂量、分子表型的整合模型仍属空白。为此，研究团队在《Clinical and Translational Oncology》发表论文，通过整合多维度数据构建个性化复发预测模型。

研究采用回顾性队列设计，纳入156例2013-2018年确诊的早期乳腺癌患者，均接受手术且随访≥5年。排除三阴性乳腺癌及失访病例。关键变量包括：MammaPrint?分型（超低/低/高风险）、临床病理风险（CLINPAT，由肿瘤医师评估）、分子表型（Luminal A/B）、放疗生物有效剂量（BED，按α/β=4 Gy计算并分三组：0 Gy/≤60 Gy/>60 Gy）。主要统计方法包括：Firth惩罚逻辑回归（解决罕见事件导致的模型分离问题）、ROC曲线分析（AUC评估区分度）、Kaplan-Meier生存曲线和log-rank检验（比较总生存差异）。

多变量模型结果

通过Firth回归得到复发风险预测方程：

Log-odds = -3.8855 + 1.9888×MMP_Low + 2.0928×MMP_High - 0.4056×BED_≤60Gy - 0.3284×BED_>60Gy + 0.6722×CLINPAT_High + 0.0456×Phenotype_{Luminal B}

模型显示MammaPrint?为最强预测因子，高风险组相较超低风险组复发对数优势比增加2.09（OR≈8.1），其次为放疗剂量（低剂量组OR≈0.67）。模型AUC达0.755（95%CI: 0.6498–0.8614），显著优于随机分类。

生存分析结果

Kaplan-Meier分析显示，接受低剂量放疗（BED<60 Gy）的患者总生存显著优于未放疗组（p=0.0475），而高剂量组（BED>60 Gy）与未放疗组无显著差异（p=0.3016）。表明适度放疗剂量即可带来生存获益，更高剂量未进一步改善预后。

变量贡献度分析

MammaPrint?高风险贡献度达100%，低风险为95%，远超其他变量。放疗剂量（BED<60 Gy和>60 Gy）贡献度分别为19%和16%，显示其保护作用。临床病理高风险贡献度32%，分子表型（Luminal B）仅2%，提示传统因素预测价值有限。

研究结论强调，整合基因组风险（MammaPrint?）、放疗剂量（BED）和分子表型的模型能有效预测早期乳腺癌复发风险，支持在超低风险患者中豁免放疗的可行性。低剂量放疗（BED<60 Gy）的生存获益证据为个性化放疗方案制定提供了重要依据。该模型有望成为临床决策辅助工具，推动精准医疗在乳腺癌领域的应用。