Vorhersage des pathologischen Komplettansprechens auf neoadjuvante Chemotherapie bei Brustkrebs mit maschinellen Lernmodellen.

Diese retrospektive Beobachtungsstudie wurde unter Verwendung eines Brustkrebsregisters durchgeführt, das klinische und pathologische Daten von Patientinnen enthielt, die zwischen Januar 2010 und Dezember 2025 eine neoadjuvante Chemotherapie erhielten. Das Ziel der Studie war die Entwicklung und Validierung eines auf maschinellem Lernen basierenden Vorhersagemodells für das pathologische Komplettansprechen (pCR) unter Verwendung routinemäßig verfügbarer klinisch-pathologischer Variablen.

Ein initialer Datensatz, bestehend aus 298 Patientinnen und 144 erfassten Variablen, wurde von Brustonkologie-Experten kuratiert, um klinisch relevante Prädiktoren zu identifizieren. Insgesamt wurden 20 etablierte klinisch-pathologische Variablen ausgewählt, die demografische Merkmale, Tumorstaging, Biomarkerprofile und behandlungsbezogene Faktoren repräsentieren. Feature-Engineering-Techniken, einschließlich ordinaler Kodierung, One-Hot-Kodierung und binärer Abbildung, wurden angewandt, um den Datensatz für die Modellentwicklung vorzubereiten. Fehlende Werte wurden mithilfe der Median-Imputation innerhalb einer Kreuzvalidierungspipeline behandelt, um Datenlecks zu verhindern.

Die Merkmalsauswahl erfolgte mithilfe eines hybriden Wichtigkeitsrahmens, der die gegenseitige Informationsanalyse, SHAP-basierte Attribution aus Gradient-Boosting-Modellen und L1-regularisierte logistische Regressionskoeffizienten integrierte. Die sequenzielle Bewertung von Merkmalsuntergruppen identifizierte eine optimale Untergruppe von 10 Prädiktoren für die Modellentwicklung.

Mehrere Algorithmen des maschinellen Lernens – einschließlich logistischer Regression, Random Forest, Gradient Boosting Models, Support Vector Machines, k-Nearest Neighbors und Ensemble-Learning-Ansätze – wurden trainiert und mithilfe einer 5-fachen stratifizierten Kreuzvalidierung evaluiert. Die endgültige Leistung wurde an unabhängigen Validierungs- und Holdout-Datensätzen unter Verwendung von ROC-AUC, Precision-Recall-AUC, F1-Score und Matthews Korrelationskoeffizient bewertet.

Das primäre Ergebnis war das pathologische Komplettansprechen nach neoadjuvanter Chemotherapie. Eine Schwellenwertoptimierung wurde durchgeführt, um einen klinisch sinnvollen Wahrscheinlichkeits-Cutoff zu identifizieren, der Sensitivität und Spezifität für die Vorhersage des Therapieansprechens ausglich. Die Modellleistung wurde mit einem prävalenzadjustierten stochastischen Baseline-Modell mithilfe von Monte-Carlo-Simulationen verglichen, um die prädiktive Validität über den Zufall hinaus zu bestätigen.

Diese Studie evaluiert die Machbarkeit der Anwendung klinisch-pathologischer, auf maschinellem Lernen basierender Modelle, um das Therapieansprechen bei Brustkrebs vorherzusagen und die individualisierte klinische Entscheidungsfindung im neoadjuvanten Setting zu unterstützen.