摘要：·老年乳腺癌患者（≥70岁，HER2 阴性）在现有临床决策工具中的代表性不足，传统基于少数肿瘤学因子的规则难以精准反映其异质性与合并症负担。

往期推荐：

毛细胞星形胶质瘤的表现：影像学图谱

肾皮质结节：化学位移MRI在确认脂肪血管平滑肌瘤（AML）方面优于CT

可代做分享：基于CT放射组学的胸腺瘤分级与分期研究

骨盆底磁共振成像中耻内脏肌撕脱的图示性概述

可代做分享：基于单张非增强CT横断面图像的深度学习预测临床显著性门静脉高压（CSPH）

尿道及尿道周围病变的磁共振成像

审稿精读｜手机自测生物年龄可行吗？一项多轮审稿后的关键证据与下一步挑战

·老年乳腺癌患者（≥70岁，HER2 阴性）在现有临床决策工具中的代表性不足，传统基于少数肿瘤学因子的规则难以精准反映其异质性与合并症负担。

·研究希望通过“数字孪生”与多变量机器学习，整合可获得的临床与实验室特征，为老年患者提供更细致的预后分层与化疗获益参考。

·人群与数据：单中心回顾性队列（法国 Léon Bérard 中心，1997–2016 年）共793例，纳入标准为≥70岁、早期乳腺癌、HER2 阴性。

·特征选择：9项术前或早期可得变量——年龄、BMI、合并症、血红蛋白、淋巴细胞、激素受体状态、SBR 分级、肿瘤大小、淋巴结受累。

·模型与流程：

o以随机森林与支持向量机预测5年总生存（OS）。

o使用PaCMAP进行低维流形嵌入，可视化患者“谱系”并保留局部邻域结构。

o基于均值漂移（Mean-Shift）聚类，将患者分为6个预后簇，实现可解释的风险分层。

o“数字孪生”策略：为个体在其局部相似邻域中，比较接受/未接受化疗的“相近人群”，用KM曲线与对称KL散度加置换检验评估化疗潜在获益与可比性。

·评价与解释：报告AUC、变量重要性，检验不同初始化与训练/投影流程下簇结构稳定性。

·预测性能：随机森林5年OS预测AUC约0.81，SVM约0.76，具备较好判别力，显示多变量整合优于单因子。

·分层与可视化：PaCMAP+均值漂移得到6类预后簇，帮助识别不同生物学画像与风险层级；簇结构在不同随机性与流程下较稳定。

·变量重要性：年龄、肿瘤大小、血红蛋白、淋巴细胞、BMI贡献更高；传统重视的SBR分级、淋巴结受累与合并症在该老年队列的相对权重较低，提示全身生理与营养/炎症状态指标在老年人群的重要性。

·个体化治疗参考：通过相似邻域的化疗/非化疗对照，结合KM和KL散度检验，为个体提供化疗潜在获益的现实世界参考；方法强调“在相似人群中比较”，一定程度缓解治疗选择偏倚。

·结论要点：数字孪生与多变量流形学习可提升老年乳腺癌的可解释预后分层与治疗指引价值，但仍属探索性工具，需进一步验证。

·外部验证与泛化性：需在多中心、不同族群与更近年的数据上外部验证与校准，评估时间漂移影响。

·终点与偏倚控制：引入癌症特异生存、无病生存等终点；采用因果推断方法（倾向评分、加权、IV、双重稳健等）更系统地处理治疗选择偏倚与残余混杂。

·特征扩展与数据质量：纳入老年综合评估要素（虚弱/体能评分、ADL/IADL、认知/社心因素）、炎症与营养生物标志物、更细粒度合并症与药物数据；完善缺失值处理与测量一致性。

·模型与可解释性：比较更多模型（梯度提升、XGBoost、因果森林、生存模型如Cox-ML/DeepSurv）；增强局部解释（SHAP、反事实解释）与不确定性量化。

·决策集成与临床可用性：将工具嵌入临床工作流，提供可视化界面与决策阈值；开展前瞻性临床评估，测量对治疗选择和患者结局的实际影响。

·伦理与沟通：确保模型公平性、可追溯性与患者沟通友好性，明确适用范围与局限，避免过度外推。

3D流形空间中6个患者聚类的图形表示。在降维后的3D空间（或流形）中，患者根据其空间分布和特征相似性被分为多个聚类。然后，根据包含患者的总体死亡率对聚类进行着色。一个新测试的患者被定位在流形上，并用蓝色球体表示。

来源：影像诊断小札记一点号