個體化基因檢測指導下的晚期三陰性乳腺癌化療優(yōu)勢人群的選擇模型建立

劉丹娜, 吳 通, 陳 露, 段方方, 周寒麗, 孔天東

(1. 河南大學腫瘤醫(yī)院/河南省鄭州市第三人民醫(yī)院 藥物臨床試驗中心, 河南 鄭州, 450000;2. 河南大學數學與統(tǒng)計學院, 河南 開封, 475000;3. 河南大學腫瘤醫(yī)院/河南省鄭州市第三人民醫(yī)院 腫瘤內科, 河南 鄭州, 450000)

三陰性乳腺癌(TNBC)是一種特殊類型的乳腺癌, 占所有乳腺癌病例的20%[1], 易復發(fā)轉移且缺乏有效的治療藥物，預后較差[2]。目前，化療仍是晚期TNBC患者主要治療手段[3-4]。研究[5]表明，晚期TNBC患者化療有效率為30%～50%, 其中對化療初始就耐藥的患者并不能從化療中受益，且會增加毒性，降低生存質量，縮短生存期[6-7]。對化療初始耐藥患者更建議選擇新型靶向藥物治療，如多聚ADP核糖多聚酶(PARP)抑制劑、程序性死亡受體-1(PD-1)單抗或入組臨床試驗等。由于TNBC異質性較強，影響化療療效的因素很多，可能與腫瘤大小、轉移情況、組織分級、增殖指數等有關[8]。既往研究[9-12]表明療效還可能與腫瘤組織基因ERCC1、TOP2A、TUBB3、TYMS表達有關。本研究擬在既往研究基礎上，嘗試建立晚期TNBC患者化療優(yōu)勢人群選擇模型，為臨床決策提供參考。

1 資料與方法

1.1 一般資料

納入標準: ① 年齡18～75歲者; ② 女性; ③ 病理確診為乳腺癌者; ④ 臨床分期為Ⅳ期者; ⑤ 免疫組化為雌激素受體陰性[ER(-)]、孕激素受體陰性[PR(-)]、血清人類表皮生長因子受體2陰性[HER-2(-)]者，若HER-2表達為(+)或()，必須經熒光原位雜交技術(FISH)檢測為無擴增; ⑥ 體力活動狀態(tài)(PS)評分0～2分者; ⑦ 有影像學可測量病灶者; ⑧ 無明顯心、肝、腎等臟器功能障礙者; ⑨術后輔助化療至腫瘤復發(fā)至少間隔1年者。排除標準: ① 病例資料不完整者，缺乏必要的檢查化驗結果; ② 合并有惡性胸腔或腹腔積液者; ③ 嚴重心、肺功能不全者; ④ 合并嚴重活動性感染者; ⑤ 有精神疾病者。

根據納入及排除標準，本項目入組訓練集患者97例，均為2013年5月—2015年5月河南大學腫瘤醫(yī)院乳腺中心開展的一項有關“基于個體化基因檢測指導下的晚期TNBC化療療效”的臨床研究參與者[9-12]。入組本研究患者均為晚期TNBC, 化療方案為TAC(紫杉醇聯合吡柔比星及環(huán)磷酰胺)、TX(紫杉醇聯合順鉑)、TP(紫杉醇聯合卡培他濱)，并檢測ERCC1、TOP2A、TUBB3、TYMS基因表達情況?；谠撊后w建立療效預測模型及進行內部驗證。

1.2 療效判斷標準

參照實體瘤的療效評價標準(RECIST 1.1)[13], 分為完全緩解(CR)、部分緩解(PR)、穩(wěn)定(SD)和進展(PD), 以CR和PR計算客觀緩解率(ORR), 以CR和PR的總例數為有效例數, SD和PD的總例數為無效例數。

1.3 統(tǒng)計分析及建模方法

本研究采用SPSS 26.0及STATA 16.0軟件。收集納入訓練集患者的一般臨床資料、腫瘤組織ERCC1、TOP2A、TUBB3、TYMS基因表達情況，設為自變量并賦值。以臨床療效為因變量，分別采用單因素及多因素Logistic回歸分析，結合臨床及統(tǒng)計學意義確定與療效相關的自變量作為預測因子，建立模型方程。采取列線圖的模式展現所建立的療效預測模型。在上述訓練集中對所建模型采用受試者工作特征(ROC)曲線進行區(qū)分度驗證，利用Hosmer-Lemeshow進行擬合優(yōu)度檢驗，并繪制擬合優(yōu)度曲線，進行內部驗證，評價模型的效果。

2 結 果

2.1 療效預測因子

將藥物療效作為因變量，將年齡、月經狀態(tài)、組織學分級、腦轉移、Ki-67指數、PS評分、ERCC1、TOP2A、TUBB3、TYMS表達情況作為自變量，采用二元Logistic回歸法分析療效與各自變量的關系。單因素Logistic檢驗(等同于χ2檢驗)結果明確組織學分級、腦轉移、Ki-67指數、PS評分、貧血、ERCC1、TOP2A、TUBB3、TYMS表達情況與療效有相關性，見表1。

表1 訓練集患者臨床資料與療效關系[n(%)]

將單因素分析有意義的變量納入多因素回歸分析，采用向前LR法篩選變量，最終進入回歸方程的變量為組織學分級、腦轉移及ERCC1、TOP2A、TUBB3基因表達情況。設因變量Y=療效(0=無效, 1=有效)，自變量X1=組織學分級,X2=腦轉移,X3=Ki-67指數,X4=PS評分,X5=貧血,X6=ERCC1基因表達,X7=TOP2A基因表達,X8=TUBB3基因表達,X9=TYMS基因表達，各自變量賦值情況見表2(變量X1、X5、X6、X7、X8均作為有序等級變量，非多分類變量)。多因素Logistic回歸分析顯示，療效與組織學分級、腦轉移及ERCC1、TOP2A、TUBB3 mRNA表達情況相關，即組織學分級越高、有腦轉移者療效越差,ERCC1、TUBB3表達越高者療效越差,TOP2A表達越高者療效越好，見表3。

表2 各自變量取值情況

表3 多因素Logistic回歸分析結果

2.2 建立預測模型及列線圖

根據Logistic回歸分析結果建立晚期TNBC患者療效預測方程為: LogitP=4.657-1.177×X1-1.990×X2-0.879×X6-1.123×X7-0.957×X8。

根據以上模型方程，建立模型的列線圖(圖1)。該列線圖只需要將每個變量值投射到評分軸線上，即可知道該變量的得分，然后把每個變量的得分相加得到總分，再通過總分投射到其上面的Prob軸上(Y), 就是最終療效預測概率P。例如，某晚期TNBC患者，組織學分級Ⅱ級(X1=2), 對應評分軸線上投影得分為3.5分; 有腦轉移(X2=1), 對應評分軸線上得分為0分;ERCC1基因低表達(X6=1), 對應評分軸線上得分約為5分;TOP2A基因高表達(X7=3), 評分軸線上得分約為9.5分;TUBB3基因高表達(X8=3), 評分軸線上投影得分約為0分; 以上各項得分相加的總分為18分，對應的Prob軸線概率值(化療有效的概率值)為0.5。

圖1 療效預測模型的列線圖

2.3 模型內部驗證

2.3.1 模型區(qū)分度: 本研究從區(qū)分度和擬合優(yōu)度2個方面對該模型的預測效能進行驗證。區(qū)分度采用ROC曲線驗證，曲線下面積(AUC)為0.861, 95%CI為0.789～0.933, 最佳截斷值為0.739, 即根據列線圖或模型方程計算的預測概率≥0.739時，患者為化療有效的優(yōu)勢人群，當預測概率<0.739時，患者為化療的劣勢人群。見圖2。

圖2 模型的ROC曲線

2.3.2 模型擬合優(yōu)度檢驗: 對模型擬合情況進行Hosmer-Lemeshow擬合優(yōu)度檢驗，結果顯示，預測概率與實際發(fā)生率的差異無統(tǒng)計學意義(χ2=1.698,P=0.975)。將擬合優(yōu)度檢驗各預測概率值、實測值繪制散點圖，并擬合曲線(圖3)。X軸表示模型預測的終點事件(療效)概率,Y軸為患者中實際觀察到的發(fā)生率，對角線反映了理想情況，即模型可完全正確地預測終點事件。本模型預測概率為散點圖連接之后擬合的紅色曲線，圍繞對角線(黑色曲線)小幅波動，綠色曲線為總擬合曲線，和對角線基本重合，提示該模型預測概率與實際發(fā)生率接近。

圖3 模型擬合優(yōu)度曲線

3 討 論

TNBC是一類侵襲性極強的乳腺癌，易復發(fā)，晚期幾乎無法治愈[14]。該類型乳腺癌缺乏有效的治療靶點，并不能從內分泌治療及抗HER-2藥物中獲益，截至目前，化療仍是晚期TNBC治療的首選，但效果并不理想[15]。

對晚期TNBC患者來說，常用的化療藥物包括鉑類、氟尿嘧啶類、微管抑制劑、紫杉類、吉西他濱等[16]?？蛇x擇單藥序貫或聯合治療的模式，但晚期患者由于腫瘤負荷大，體質差，通常合并重要臟器轉移，生存時間較短。如果不能在初始化療階段就選擇有效的化療藥物迅速控制腫瘤生長，大多數患者通常在1年內死亡[17]。雖然化療仍為晚期TNBC主要治療手段，但晚期TNBC患者單純化療有效率僅30%～50%[18], 至少有一半以上患者并不能從單純化療中受益。因此如何篩選出化療受益人群，具有重要臨床意義。

研究[19-21]表明, TNBC患者化療療效與基因表達有一定關系，可能與ERCC1、TOP2A、TUBB3、TYMS有關。而本項目既往研究[9-12]也提示上述基因表達與晚期TNBC化療療效關系密切:ERCC1與鉑類療效相關，低表達者療效好;TOP2A與蒽環(huán)類療效相關，高表達者療效好;TUBB3與紫杉類療效相關，低表達者療效好;TYMS與氟尿嘧啶類療效相關，低表達者療效好。另有研究[22-24]顯示，晚期TNBC化療療效還與組織學分級、轉移部位、貧血、PS評分狀態(tài)等有關。本研究將上述有可能與療效相關的因素均納入Logistic回歸分析，并最終建立晚期TNBC化療的療效預測模型，為臨床治療提供決策依據。

本研究單因素Logistic分析提示，組織學分級、腦轉移、Ki67指數、PS評分、貧血、ERCC1、TOP2A、TUBB3、TYMS基因表達與晚期TNBC化療療效有關。但納入Logistic多因素分析，則僅有組織學分級、腦轉移以及ERCC1、TOP2A、TUBB3基因表達與療效關系密切，差異有統(tǒng)計學意義，這可能與Logistic多因素分析要求的樣本量較大有關。將多因素分析有意義的變量納入模型，最終建立晚期TNBC患者化療療效預測方程: LogitP=4.657-1.177×組織學分級-1.990×腦轉移-0.879×ERCC1表達+1.123×TOP2A表達-0.957×TUBB3表達，并根據方程建立列線圖。根據該圖，能快速直觀判斷某患者是否為化療優(yōu)勢人群，方便快捷。

本研究采用區(qū)分度和擬合優(yōu)度兩方面對該模型進行驗證。區(qū)分度采用ROC曲線，結果顯示本模型曲線下面積(AUC)為0.861, 95%CI為0.789～0.933, 遠大于0.5, 提示區(qū)分度良好。而擬合優(yōu)度檢驗顯示預測曲線圍繞對角線小范圍波動，預測概率與實際發(fā)生率之間無顯著統(tǒng)計學差異,χ2=1.698,P=0.975, 提示該模型預測概率與實際發(fā)生率之間無顯著差異。

總之，本研究初步建立了在個體化基因檢測指導下的晚期TNBC患者的化療療效預測模型，如果是化療優(yōu)勢人群，則建議首選化療; 否則，化療應謹慎，在晚期TNBC患者有限的生存時間內，更建議嘗試新的靶向藥物或臨床試驗。但由于時間及經費所限，本模型尚未進行外部驗證，需要在今后工作和臨床實踐中進一步驗證該模型的準確度及合理性。