01
文献学习
今天分享的文献是由复旦大学附属肿瘤医院邵志敏教授、肖毅等团队于2025年2月在《Cell Reports Medicine》（中科院1区top，IF=10.6）上发表的研究"Multimodal integration using a machine learning approach facilitates risk stratification in HR+/HER2- breast cancer"即基于机器学习的多模态整合促进HR+/HER2−乳腺癌的风险分层，该研究构建了一个名为CIMPTGV的多模态机器学习模型，整合了临床、免疫组化、代谢组、病理组、转录组、基因组和拷贝数变异7种数据类型，用于预测HR+/HER2−乳腺癌患者的复发风险。模型在训练集和测试集中均表现出较高的预测效能（C-index ≈ 0.87），并进一步开发了一个简化版模型，平衡了预测性能与临床实用性。
创新点：① 首次系统整合七种模态数据构建CIMPTGV模型，实现HR+/HER2-乳腺癌复发风险的精准预测，C指数达0.87。② 揭示多模态间存在正交互补信息，整合后风险人群覆盖所有单模态识别结果，提升模型解释力与稳健性。③提出简化模型S-CIMPTGV，在保持较高预测效能（平均AUC 0.84）的同时降低数据收集成本，促进临床转化。
临床价值：① 模型能准确区分高、低复发风险患者，指导个体化治疗决策，避免过度治疗或治疗不足。② 提供多维度生物学见解（如HRD评分与风险正相关），有助于揭示复发机制与潜在治疗靶点。③简化模型设计降低了临床应用门槛，有望通过试剂盒等形式推广，提升乳腺癌风险分层普适性。
图 1：队列开发与机器学习框架构建
1A：Upset图（模态组合样本量交集图）
1B：机器学习流程图
**数据划分：**按4:1比例进行分层抽样（以"复发状态"为分层因子），分为训练集和测试集，保证两组结局分布一致。
**特征提取：**对7种模态分别提取原始特征（如临床模态6项、IHC模态3项等）。
维度reduction：①去除同一模态内相关性>0.9的冗余特征；②临床/IHC保留全部特征，其他模态筛选单变量Cox风险评分前15的特征；③特征标准化（Z-score）。
**模型训练：**将筛选后的特征矩阵输入5种生存分析模型（Cox比例风险模型、生存支持向量机、随机生存森林、DeepSurv非线性模型、梯度提升生存模型）。
**超参数优化与独立验证：**通过1000步5折交叉验证最大化平均C-index，选择最优模型作为CIMPTGV；在测试集进行独立验证（1000次Bootstrap计算95%置信区间）。
02
研究背景及目的
研究背景
HR阳性/HER2阴性（HR+/HER2-）乳腺癌是最常见的乳腺癌亚型，约占所有病例的65%-70%。尽管内分泌治疗是标准疗法，但肿瘤的持续复发仍是严峻的临床挑战，部分患者因内分泌耐药机制，甚至在治疗5-10年后仍面临高达20%的远期复发风险。因此，精准预测复发风险以指导个体化治疗至关重要 。目前，临床上已有基于基因表达的预测工具（如Oncotype DX和MammaPrint），但它们主要依赖单一的转录组或临床病理数据 ，在预测淋巴结阳性患者复发等方面效能有限（C-index仅为0.56-0.63），难以全面捕捉肿瘤的高度异质性。近年来，随着测序成本降低和人工智能技术的发展，整合多组学数据（包括基因组、转录组、代谢组、病理图像等）的"多模态"研究方法 成为提升预测性能的新方向。然而，由于高质量多模态队列的稀缺、数据整合方法复杂以及临床应用成本高昂，该领域仍处于探索阶段，在乳腺癌中的应用尚未充分开发。本研究正是在此背景下，旨在利用大规模多组学队列和机器学习技术，克服现有模型的局限性。
研究目的
本研究的核心目的是开发并验证一个基于机器学习、整合多维数据的预测模型，以显著提升对HR+/HER2-乳腺癌患者复发风险的预测和分层能力 。具体而言，研究团队旨在利用其建立的包含579名患者的中国人群多组学队列，构建一个名为CIMPTGV的多模态模型 ，该模型将临床信息、免疫组化、转录组学、代谢组学、基因组学、拷贝数变异和病理图像学（病理组学）这七种模态的数据进行系统性整合 。研究希望通过先进的机器学习框架，验证多模态数据融合能否产生协同与互补效应 ，从而在训练集和测试集上获得比现有单模态或传统组合模型（如临床+转录组）更高的预测效能（以C-index衡量） 。此外，为了促进临床转化，本研究还设定了一个关键目标：在保持较高预测性能的前提下，开发一个简化版本的模型（S-CIMPTGV） 。该简化模型通过精选高重要性特征，旨在降低数据收集的复杂性和经济成本，提升其在真实世界临床场景中的可行性与实用性，最终为识别高危患者、制定个性化治疗策略提供有效的决策支持工具。
03
数据和方法
研究数据
队列规模：579例HR+/HER2-单侧浸润性乳腺癌患者（2009-2016年诊断），排除远处转移和预处理患者。
随访数据：547例患者具有完整临床和随访信息，中位随访时间79.1个月（四分位距72.1-93.1个月），结局指标包括无复发生存期（RFS）、总生存期（OS）、无远处转移生存期（DMFS）；其中75例病死、150例复发、135例远处转移。
多模态数据覆盖：
临床信息（N=547）：年龄、BMI、绝经状态、肿瘤分期等6项特征；
IHC数据（N=510）：雌激素受体（ER）、孕激素受体（PR）表达率、Ki-67增殖指数等3项特征；
转录组学（N=565）：基因集富集分数、免疫细胞比例等190项特征；
代谢组学（N=380）：极性代谢物、脂质等1981项特征；
基因组学（N=467）：高频突变基因状态、肿瘤突变负荷（TMB）、同源重组缺陷（HRD）评分等43项特征；
CNV（N=429）：Gistic峰值等76项特征；
病理组学（N=418）：细胞核形态、拓扑结构等59项特征。
完整多模态数据：200例患者拥有全部7种模态数据，用于模型核心训练。
技术方法
（1）数据处理与划分
分层抽样：按4:1比例划分训练集和测试集，以复发状态为分层因子，保证两组结局分布一致。
特征筛选：①去除同一模态内相关性>0.9的冗余特征；②对临床/IHC保留全部特征，其他模态筛选单变量Cox风险评分前15的特征；③特征标准化（Z-score）。
（2）模型构建与优化
模型框架：输入5种生存分析模型（Cox比例风险模型、生存支持向量机、随机生存森林、DeepSurv非线性模型、梯度提升生存模型）。
超参数优化：通过1000步5折交叉验证，最大化平均交叉验证C-index，选择最优模型作为CIMPTGV。
（3）模型验证
内部验证：100次随机划分训练集/测试集，评估模型稳定性；Bootstrap 1000次计算C-index的95%置信区间。
对比验证：与传统组合模型（CIT、CT、CI）及商业检测（Oncotype DX、MammaPrint）对比预测效能。
亚组分析：在不同肿瘤分期、临床特征（如绝经状态）、IHC表型亚组中验证模型分层能力。
（4）简化模型构建
特征选择：纳入易获取的临床、IHC、病理组学全特征，及其他模态高重要性特征（如代谢组学的2-0-乙酰基岩藻糖、转录组学的VEGF信号通路特征）。
效能验证：评估简化模型（S-CIMPTGV）的时间依赖AUC和生存分层能力。
04
实验结果
（1）模型预测效能优异
- CIMPTGV模型：训练集C-index=0.871，测试集C-index=0.869，显著高于单一模态模型（C-index 0.6-0.75）和传统组合模型（如 CIT模型C-index 0.72）。
- 优于商业检测：在重叠队列中，CIMPTGV的C-index（0.812 vs MammaPrint 的 0.688；0.866 vs Oncotype DX的 0.568）。
- 分层能力强：高/低危组的RFS、OS、DMFS 差异显著（log-rank test p<0.001），能识别74.2%的复发患者，低危组复发率仅14.2%。
（2）模型稳定性良好
- 100次随机划分后，训练集和测试集C-index均波动在0.8-0.9，差异<0.05，无随机误差影响。
- 超参数优化后（最优估计量数量=10），模型无过拟合（增加估计量未提升测试集效能）。
（3）多模态存在协同互补效应
单一模态模型预测分数的Pearson相关系数绝对值≤0.3，提示模态间存在正交信息。
CIMPTGV的高风险人群涵盖所有单一模态模型识别的高风险人群，且复发比例更高。
（4）高风险组特征明确
- 临床特征：肿瘤分期高（pT3/pN3）、Ki-67增殖指数高；
- 分子特征：核酸代谢物（假尿苷、N4-乙酰胞苷）富集、MYC靶通路高表达、脂肪酸代谢通路低表达；
- 病理特征：肿瘤细胞聚集度高、形态异质性（MITH）高；
- 基因组特征：HRD 评分高，11q13.3区域扩增（含 FGF3、FGF4、CTTN 等癌基因）。
（5）简化模型实用高效
- S-CIMPTGV平均AUC=0.840，虽略低于完整版（0.886），但显著优于临床常用模态组合；
- 能有效分层高/低危患者（log-rank test p<0.001），数据收集成本降低60%以上。
图 2：多模态整合提升预测效能与风险分层
图 3：多模态中的正交数据提升预测效能
图 4：CIMPTGV模型的模态特征表现
图 5：模态相关性支持互补信息存在
图 6：简化模型（S-CIMPTGV）构建
05
研究结论
本研究通过整合临床、免疫组化、代谢组、病理组、转录组、基因组和拷贝数变异共七种模态数据 ，构建了机器学习模型CIMPTGV，用于预测HR+/HER2-乳腺癌患者的复发风险。该模型在训练集和测试集中分别达到C-index为0.871和0.869 ，显著优于单模态模型及临床常用组合模型，并能够有效区分高风险与低风险患者群体。研究进一步揭示了不同模态数据间存在协同与互补效应 ，整合多源信息可全面捕捉肿瘤生物学特征，提升预测性能。此外，同源重组缺陷评分与模型风险评分呈显著正相关 ，从基因组不稳定角度提供了生物学解释。为推动临床转化，研究团队还开发了简化版模型 ，在保持较高预测效能（平均AUC=0.840）的同时降低了数据收集成本，提升了实用性与可推广性。该研究证明了多模态机器学习在乳腺癌风险分层中的重要作用，为个体化治疗决策提供了有力工具。
参考文献：Zhang H, Yang F, Xu Y, Zhao S, Jiang YZ, Shao ZM, Xiao Y. Multimodal integration using a machine learning approach facilitates risk stratification in HR+/HER2- breast cancer. Cell Rep Med. 2025 Feb 18;6(2):101924. doi: 10.1016/j.xcrm.2024.101924.