论文部分内容阅读
背景:乳腺癌是一种体内外多种致病因素导致的恶性肿瘤。目前ER、PR、HER-2不仅是乳腺癌的重要预后因素,也是常用内分泌治疗和靶向治疗的靶点,但是并不是所有患者都能从中受益,并且有患者出现耐药。所以筛选新的可影响乳腺癌预后、可预测预后作用的新生物候选靶点非常重要,同时综合新靶点基因建立乳腺癌预后预测模型,进而为临床治疗提供参考依据。目的:1.通过对乳腺癌组织二代高通量基因测序差异筛选及文献筛选后的一组与乳腺癌侵袭、转移相关的基因进行临床样本验证,结合临床及病理常见指标,多因素分析确定与乳腺癌预后相关的因素,获得可预测乳腺癌预后的新靶点。2.建立及验证乳腺癌预后预测模型,指导临床治疗。方法:1.采用免疫组化方法检测140例平均有5年以上随访结果的乳腺癌组织中VWCE、DPT、SCUBE3基因蛋白表达水平。2.采用Kruskal Wallis秩和检验及Fisher精确计算概率比较分组人群差异,多个COX比例风险模型对预后因素进行多元回归分析,筛选独立影响预后的因素。3.联合独立预测因素建立乳腺癌预后预测模型,采用传统回归分析模型及XGBoost算法的机器学习及预测模型,比较两模型的灵敏度、ROC曲线下的面积,评估二者优劣,筛选最佳预测变量组合并进行模型验证。结果:1.VWCE、DPT、SCUBE3在乳腺癌组织中表达上调可升高患者的死亡风险,VWCE表达升高,乳腺癌死亡风险较VWCE表达低的患者升高21%。DPT表达升高,乳腺癌死亡风险较DPT表达低的患者升高35%。SCUBE3表达升高,死亡风险升高139%。其中VWCE表达升高,乳腺癌复发风险较VWCE表达低的患者升高32%,三个基因为乳腺癌预后危险因素。2.采用年龄、ER、PR、HER2、淋巴结阳性个数、临床分期、VWCE、DPT、SCUBE3做传统预后模型及机器学习预测模型。比较后得出模型预测效果最佳的预测因素组合为年龄、ER、PR、HER2、淋巴结阳性个数、临床分期、SCUBE3,传统Logistic回顾模型得出AUC为0.87。机器预测及学习模型预测模型AUC为0.92。3.将最佳变量组合预测模型进行验证,可发现机器预测及学习模型预测死亡风险效果优于传统Logistic回归预测模型。结论:VWCE、DPT、SCUBE3是乳腺癌独立预后预测因素,与临床分期、淋巴结阳性个数、ER、PR建立的乳腺癌预后机器学习与预测模型可以准确判断患者的死亡风险,有较高的预后预测价值,为个体化治疗提供指导,同时为临床提供潜在治疗靶标。