Przewidywanie całkowitej odpowiedzi patologicznej na neoadjuwantową chemioterapię w raku piersi przy użyciu modeli uczenia maszynowego.

To retrospektywne badanie obserwacyjne przeprowadzono przy użyciu rejestru raka piersi zawierającego dane kliniczne i patologiczne pacjentek, które otrzymały chemioterapię neoadjuwantową między styczniem 2010 a grudniem 2025 roku. Celem badania było opracowanie i walidacja predykcyjnego modelu opartego na uczeniu maszynowym dla patologicznej całkowitej odpowiedzi (pCR) przy użyciu rutynowo dostępnych zmiennych kliniczno-patologicznych.

Początkowy zestaw danych składający się z 298 pacjentek i 144 zarejestrowanych zmiennych został opracowany przez ekspertów onkologii piersi w celu zidentyfikowania klinicznie istotnych predyktorów. W sumie wybrano 20 ustalonych zmiennych kliniczno-patologicznych, reprezentujących cechy demograficzne, stopień zaawansowania guza, profile biomarkerów oraz czynniki związane z leczeniem. Zastosowano techniki inżynierii cech, w tym kodowanie porządkowe, kodowanie one-hot i mapowanie binarne, aby przygotować zestaw danych do opracowania modelu. Brakujące wartości obsłużono przy użyciu imputacji medianowej w ramach potoku walidacji krzyżowej, aby zapobiec wyciekowi danych.

Selekcję cech przeprowadzono przy użyciu hybrydowej struktury ważności integrującej analizę wzajemnej informacji, atrybucję opartą na SHAP z modeli gradient boosting oraz współczynniki regresji logistycznej z regularyzacją L1. Sekwencyjna ocena podzbiorów cech zidentyfikowała optymalny podzbiór 10 predyktorów do opracowania modelu.

Wiele algorytmów uczenia maszynowego – w tym regresja logistyczna, las losowy, modele gradient boosting, maszyny wektorów nośnych, k-najbliższych sąsiadów oraz podejścia uczenia zespołowego – zostało wytrenowanych i ocenionych przy użyciu 5-krotnej stratyfikowanej walidacji krzyżowej. Ostateczną wydajność oceniono na niezależnych zestawach walidacyjnych i testowych przy użyciu ROC-AUC, precyzja-przywołanie AUC, wskaźnika F1 oraz współczynnika korelacji Matthewsa.

Pierwszorzędowym wynikiem była patologiczna całkowita odpowiedź po chemioterapii neoadjuwantowej. Przeprowadzono optymalizację progową w celu zidentyfikowania klinicznie znaczącego progu prawdopodobieństwa, który równoważył czułość i swoistość w przewidywaniu odpowiedzi na leczenie. Wydajność modelu porównano z bazą stochastyczną skorygowaną o częstość występowania przy użyciu symulacji Monte Carlo, aby potwierdzić trafność predykcyjną wykraczającą poza przypadek.

Badanie to ocenia wykonalność zastosowania modeli uczenia maszynowego opartych na kliniczno-patologii w przewidywaniu odpowiedzi na leczenie w raku piersi oraz wspieraniu indywidualnego podejmowania decyzji klinicznych w warunkach neoadjuwantowych.