Прогнозирование патологического полного ответа на неоадъювантную химиотерапию при раке молочной железы с использованием моделей машинного обучения.

Это ретроспективное обсервационное исследование проводилось с использованием регистра рака молочной железы, содержащего клинические и патологические данные пациентов, получавших неоадъювантную химиотерапию в период с января 2010 года по декабрь 2025 года. Целью исследования была разработка и валидация прогностической модели на основе машинного обучения для оценки патологического полного ответа (pCR) с использованием рутинно доступных клинико-патологических переменных.

Исходный набор данных, состоящий из 298 пациентов и 144 зарегистрированных переменных, был курирован экспертами по онкологии молочной железы для выявления клинически значимых предикторов. Было отобрано в общей сложности 20 установленных клинико-патологических переменных, представляющих демографические характеристики, стадирование опухоли, профили биомаркеров и факторы, связанные с лечением. Техники инженерии признаков, включая порядковое кодирование, one-hot кодирование и бинарное отображение, были применены для подготовки набора данных к разработке модели. Пропущенные значения обрабатывались с использованием медианной импутации в рамках конвейера перекрестной проверки для предотвращения утечки данных.

Отбор признаков проводился с использованием гибридной системы важности, интегрирующей анализ взаимной информации, SHAP-атрибуцию на основе моделей градиентного бустинга и коэффициенты логистической регрессии с L1-регуляризацией. Последовательная оценка подмножеств признаков позволила определить оптимальное подмножество из 10 предикторов для разработки модели.

Несколько алгоритмов машинного обучения – включая логистическую регрессию, случайный лес, модели градиентного бустинга, машины опорных векторов, k-ближайших соседей и ансамблевые подходы – были обучены и оценены с использованием 5-кратной стратифицированной перекрестной проверки. Окончательная производительность оценивалась на независимых валидационных и тестовых наборах данных с использованием ROC-AUC, AUC точности-полноты, F1-меры и коэффициента корреляции Мэттьюса.

Основным исходом был патологический полный ответ после неоадъювантной химиотерапии. Была проведена оптимизация порога для определения клинически значимого вероятностного отсечения, балансирующего чувствительность и специфичность для прогнозирования ответа на лечение. Производительность модели сравнивалась со стохастическим базовым уровнем, скорректированным по распространенности, с использованием симуляции Монте-Карло для подтверждения прогностической валидности, выходящей за пределы случайности.

Это исследование оценивает возможность применения моделей машинного обучения на основе клинико-патологических данных для прогнозирования ответа на лечение при раке молочной железы и поддержки индивидуализированного принятия клинических решений в неоадъювантном режиме.