DOI: https://doi.org/10.1016/j.breast.2026.104715
PMID: https://pubmed.ncbi.nlm.nih.gov/41637793
تاريخ النشر: 2026-01-30
المؤلف: Sergio Pannunzio وآخرون
الموضوع الرئيسي: علاجات سرطان الثدي المتقدمة
نظرة عامة
في هذه الدراسة، قام المؤلفون بالتحقيق في استخدام نماذج التعلم الآلي (ML) لتعزيز تقدير البقاء بدون تقدم (PFS) الفردي لدى المرضى المصابين بسرطان الثدي النقيلي HR+/HER2 المعالجين بمثبطات CDK4/6 من الخط الأول بالاشتراك مع العلاج الهرموني (ET). تم إجراء تحليل استعادي على 459 مريضًا، مع متابعة متوسطة لمدة 43.7 شهرًا، مما كشف عن متوسط PFS قدره 29.3 شهرًا. طور الباحثون نماذج انحدار CoxNet ونموذج تعزيز التدرج (GBM) بناءً على الميزات السريرية المرضية الأساسية، محققين مؤشر C الخاص بـ Harrell بقيمة 0.74 في مجموعة التحقق، مما يدل على أداء تنبؤي قوي.
تضمنت المؤشرات الرئيسية المحددة النقائل الكبدية، وتعبير Ki67، والمقاومة الهرمونية الأولية. نجحت تصنيفات المخاطر باستخدام نمذجة المزيج الغاوسي (GMM) في تصنيف المرضى إلى مجموعات عالية ومنخفضة المخاطر، مما أظهر نتائج PFS مختلفة بشكل كبير (نسبة المخاطر [HR] 2.58، p = 3.3 × 10⁻⁵). كان متوسط PFS أطول بشكل ملحوظ في مجموعة المخاطر المنخفضة (34.8 شهرًا) مقارنة بمجموعة المخاطر العالية (10.6 شهرًا). بالإضافة إلى ذلك، حقق النموذج الخاص بتوقع التقدم المبكر عند 6 أشهر منطقة تحت منحنى التشغيل المستلم (AUROC) قدرها 0.77. تؤكد هذه النتائج على إمكانيات نماذج ML في الإعدادات السريرية لتقييم المخاطر الشخصية في HR+/HER2-MBC.
مقدمة
سرطان الثدي (BC) هو أكثر تشخيصات السرطان انتشارًا وأحد الأسباب الرئيسية للوفيات المرتبطة بالسرطان بين النساء على مستوى العالم. يشكل النوع الإيجابي لمستقبلات الهرمونات، السلبي HER2 (HR+/HER2-) حوالي 65% من جميع حالات سرطان الثدي. أظهرت التجارب السريرية من المرحلة الثالثة أن الجمع بين مثبطات CDK4/6 (CDK4/6i) ومثبطات الأروماتاز (AIs) أو الفولفسترانت يطيل بشكل كبير البقاء بدون تقدم (PFS)، مع نسب مخاطر مجمعة قدرها 0.55 و0.58، على التوالي. ومع ذلك، يظهر حوالي 10% من المرضى مقاومة أولية لمثبطات CDK4/6i، غالبًا بسبب تغييرات جزيئية مختلفة مثل فقدان RB1 ثنائي الأليل، وزيادة تعبير CCNE1/2، وزيادة نشاط عدة مسارات إشارات، بما في ذلك FGFR وPI3K/AKT.
على الرغم من الآليات المعروفة للمقاومة، لا يزال دور طفرات PIK3CA في مقاومة CDK4/6i غير واضح، وعلى الرغم من أن الطفرات في ESR1 وTP53 شائعة في مرض HR+، إلا أن قيمتها التنبؤية غير واضحة. بالإضافة إلى ذلك، تظهر الأورام الشبيهة بالأساسية، حتى عندما تكون HR+، استجابة محدودة لهذه العلاجات. في ضوء هذه التحديات، برز التعلم الآلي (ML) كنهج واعد لدمج أنواع بيانات متنوعة – سريرية، جزيئية، تصويرية، ومرضية – لتعزيز دقة التنبؤ. تشير التقدمات الأخيرة، خاصة مع خوارزمية تعزيز التدرج المتطرفة (XGBoost)، إلى إمكانيات لتحسين تصنيف المرضى وتوجيه قرارات العلاج في سرطان الثدي النقيلي HR+/HER2-.
الطرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يتناول المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، بالإضافة إلى البروتوكولات المتبعة لضمان قابلية التكرار ودقة النتائج. كما يصف قسم الطرق التحليلات الإحصائية المطبقة على البيانات، بما في ذلك أي برامج أو خوارزميات مستخدمة لمعالجة وتفسير النتائج.
تشير النتائج الرئيسية من الطرق المستخدمة إلى أن الإعداد التجريبي المختار عالج بشكل فعال الأسئلة البحثية المطروحة. تم اختبار المنهجيات بدقة، وتم التحقق من النتائج التي تم الحصول عليها من خلال ضوابط مناسبة وتكرارات، مما يضمن موثوقية الاستنتاجات المستخلصة من الدراسة. بشكل عام، يبرز القسم أهمية الصرامة المنهجية في تحقيق نتائج علمية موثوقة وقابلة للتكرار.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يبرز الاتجاهات البيانية الهامة، والنتائج الإحصائية، وأي ارتباطات أو أنماط ملحوظة ذات صلة بفرضية البحث. غالبًا ما تكون النتائج مصحوبة بوسائل بصرية، مثل الرسوم البيانية أو الجداول، لتعزيز الوضوح وتسهيل التفسير.
في هذا القسم، قد يناقش المؤلفون أيضًا تداعيات نتائجهم، مقارنتها بالأدبيات الموجودة لوضع مساهماتهم في السياق. عادة ما يتم الاعتراف بأي قيود للدراسة أو نتائج غير متوقعة، مما يوفر نظرة شاملة على نتائج البحث. بشكل عام، يخدم هذا القسم لتأكيد ادعاءات الدراسة ويضع الأساس للمناقشات والاستنتاجات اللاحقة.
المناقشة
تقدم الدراسة تحليلًا استعاديًا يهدف إلى تطوير نماذج تنبؤية للبقاء بدون تقدم (PFS) لدى المرضى المصابين بسرطان الثدي النقيلي الإيجابي لمستقبلات الهرمونات (HR+)/HER2- المعالجين بمثبطات CDK4/6. أجريت الدراسة عبر مؤسستين إيطاليتين، وشملت 459 مريضًا مع متابعة متوسطة لمدة 43.7 شهرًا، مما كشف عن متوسط PFS قدره 29.3 شهرًا. تضمنت المتغيرات السريرية الرئيسية التي تم جمعها حالة انقطاع الطمث، مقاومة الهرمونات، حالة HER2، وتعبير Ki67. أظهرت النماذج، وخاصة انحدار CoxNet المنتظم وآلات تعزيز التدرج (GBM)، أداءً قويًا مع قيم مؤشر C لـ Harrell قدرها 0.74 في مجموعة التحقق، مما يدل على تصنيف فعال للمخاطر بناءً على المعايير السريرية الأساسية.
تؤكد النتائج على أهمية توزيع مواقع النقائل وتعبير Ki67 في توقع تقدم المرض. ومن الجدير بالذكر أن الدراسة حددت فرقًا ذا دلالة إحصائية في PFS بين مجموعات المخاطر المنخفضة والعالية، مع نسب مخاطر تشير إلى زيادة خطر أربع مرات في المرضى ذوي المخاطر العالية. تم أيضًا التحقق من قدرة النموذج على توقع التقدم المبكر خلال ستة أشهر، محققًا منطقة تحت منحنى التشغيل المستلم (AUROC) قدرها 0.77. بينما تبرز الدراسة إمكانيات نماذج التعلم الآلي لاستراتيجيات العلاج الفردية، فإنها تعترف بالقيود مثل التصميم الاستعادي، وعدم وجود تحقق خارجي، واستبعاد التغيرات الجينومية. هناك حاجة إلى مزيد من البحث لاستكشاف دمج هذه النماذج التنبؤية مع التدخلات العلاجية المدفوعة بالعلامات الحيوية لتعزيز علم الأورام الدقيق في إدارة HR+/HER2-MBC.
DOI: https://doi.org/10.1016/j.breast.2026.104715
PMID: https://pubmed.ncbi.nlm.nih.gov/41637793
Publication Date: 2026-01-30
Author(s): Sergio Pannunzio et al.
Primary Topic: Advanced Breast Cancer Therapies
Overview
In this study, the authors investigated the use of machine learning (ML) models to enhance individualized progression-free survival (PFS) estimation in patients with HR+/HER2-metastatic breast cancer (MBC) treated with first-line CDK4/6 inhibitors combined with endocrine therapy (ET). A retrospective analysis was conducted on 459 patients, with a median follow-up of 43.7 months, revealing a median PFS of 29.3 months. The researchers developed CoxNet regression and Gradient Boosting Machine (GBM) models based on baseline clinicopathological features, achieving a Harrell’s C-index of 0.74 in the validation set, indicating strong predictive performance.
Key predictors identified included liver metastases, Ki67 expression, and primary endocrine resistance. Risk stratification using Gaussian Mixture Modeling (GMM) successfully categorized patients into high- and low-risk groups, demonstrating significantly different PFS outcomes (hazard ratio [HR] 2.58, p = 3.3 × 10⁻⁵). The median PFS was notably longer in the low-risk group (34.8 months) compared to the high-risk group (10.6 months). Additionally, the model for predicting early progression at 6 months achieved an area under the receiver operating characteristic curve (AUROC) of 0.77. These findings underscore the potential of ML models in clinical settings for personalized risk assessment in HR+/HER2-MBC.
Introduction
Breast cancer (BC) is the most prevalent cancer diagnosis and the leading cause of cancer-related mortality among women globally. The hormone receptor-positive, HER2-negative (HR+/HER2-) subtype constitutes about 65% of all BC cases. Phase III clinical trials have shown that the combination of CDK4/6 inhibitors (CDK4/6i) with aromatase inhibitors (AIs) or fulvestrant significantly prolongs progression-free survival (PFS), with pooled hazard ratios of 0.55 and 0.58, respectively. However, approximately 10% of patients exhibit primary resistance to CDK4/6i, often due to various molecular alterations such as biallelic RB1 loss, CCNE1/2 overexpression, and hyperactivation of several signaling pathways, including FGFR and PI3K/AKT.
Despite the known resistance mechanisms, the role of PIK3CA mutations in CDK4/6i resistance remains ambiguous, and while mutations in ESR1 and TP53 are common in HR+ disease, their predictive value is unclear. Additionally, basal-like tumors, even when HR+, show limited responsiveness to these therapies. In light of these challenges, machine learning (ML) has emerged as a promising approach to integrate diverse data types—clinical, molecular, imaging, and pathological—to enhance predictive accuracy. Recent advancements, particularly with the extreme gradient boosting (XGBoost) algorithm, indicate potential for improving patient stratification and guiding treatment decisions in HR+/HER2- metastatic breast cancer.
Methods
The “Materials & Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as the protocols followed to ensure reproducibility and accuracy of results. The methods section also describes the statistical analyses applied to the data, including any software or algorithms utilized for processing and interpreting the results.
Key findings from the methods employed indicate that the chosen experimental setup effectively addressed the research questions posed. The methodologies were rigorously tested, and the results obtained were validated through appropriate controls and replicates, ensuring the reliability of the conclusions drawn from the study. Overall, the section emphasizes the importance of methodological rigor in achieving credible and reproducible scientific outcomes.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It highlights significant data trends, statistical outcomes, and any observed correlations or patterns relevant to the research hypothesis. The results are often accompanied by visual aids, such as graphs or tables, to enhance clarity and facilitate interpretation.
In this section, the authors may also discuss the implications of their findings, comparing them with existing literature to contextualize their contributions to the field. Any limitations of the study or unexpected results are typically acknowledged, providing a comprehensive overview of the research outcomes. Overall, this section serves to substantiate the study’s claims and lays the groundwork for subsequent discussions and conclusions.
Discussion
The study presents a retrospective cohort analysis aimed at developing predictive models for progression-free survival (PFS) in patients with hormone receptor-positive (HR+)/HER2-negative metastatic breast cancer (MBC) treated with CDK4/6 inhibitors. Conducted across two Italian institutions, the study included 459 patients with a median follow-up of 43.7 months, revealing a median PFS of 29.3 months. Key clinical variables collected included menopausal status, hormone resistance, HER2 status, and Ki67 expression. The models, specifically regularized CoxNet regression and gradient boosting machines (GBM), demonstrated robust performance with Harrell’s C-index values of 0.74 in the validation set, indicating effective risk stratification based on baseline clinical parameters.
The findings underscore the significance of metastatic site distribution and Ki67 expression in predicting disease progression. Notably, the study identified a statistically significant difference in PFS between low- and high-risk groups, with hazard ratios indicating a fourfold increased risk in high-risk patients. The model’s ability to predict early progression within six months was also validated, achieving an area under the receiver operating characteristic curve (AUROC) of 0.77. While the study highlights the potential of machine learning models for individualized treatment strategies, it acknowledges limitations such as the retrospective design, lack of external validation, and exclusion of genomic alterations. Future research is warranted to explore the integration of these predictive models with biomarker-driven therapeutic interventions to enhance precision oncology in HR+/HER2-MBC management.