生物标记物对乳腺癌新辅助化疗的疗效预测

随着乳腺癌治疗理念不断进步，乳腺癌新辅助治疗的治疗模式也从单一的化疗，转变为基于不同乳腺癌分子亚型的新辅助化疗、新辅助靶向治疗联合化疗、新辅助内分泌治疗等，新辅助治疗 (NAT) 越来越多地用于局部晚期或早期乳腺癌患者。在国内乳腺病理和临床专家的共同努力下，《乳腺癌新辅助治疗的病理诊断专家共识（2020版）》于4月11日正式发布，这对于当前我国精准评估新辅助治疗后病理反应具有重要指导意义。

寻找合适的生物标志物预测新辅助治疗后pCR率，对于个性化治疗，提高新辅助治疗效果具有重要意义。当前利用各种生物标记物预测乳腺癌辅助或新辅助治疗反应国内外有一些研究，包括临床特点（家族史、月经状态、患者年龄、乳房 x 线情况等）、病理学特征（组织学类型和分级、病理分期；ER、PR、HER2 状态；Ki-67 指数；核分裂计数以及坏死等）、血液循环标志物（CTC、ctDNA等）、生化指标(蛋白质、酶、DNA 和 RNA等) 、多基因/多蛋白质谱分析（Oncotype DX、MammaPrint、EndoPredict、PAM50 和乳腺癌指数 (BCI)等）、免疫学生物标志物（TILs、TAM、Treg等）、影像学生物标志物（PET–CT 成像生物标志物、MR 成像生物标志物等）等指标，其中许多生物标志物与NAT反应之间的关系，尚需要进一步验证研究。

在此次USCAP壁报展示中，新辅助治疗反应预测的生物标志物的研究也涉及到了病理学特征、多基因分析、ctDNA、人工智能等方面。

1.病理学特征对NAT反应的预测

Momoko Akashi等的研究探索了包括AR在内的多种生物标志物与HER2阳性乳腺癌的治疗效果之间的关系，研究纳入2007年至2017年间接受NAC（±HER2靶向治疗）后手术治疗的HER2阳性浸润性乳腺癌患者，最终入组了82名合格患者。通过对NAC前的活检标本进行免疫组化染色来评估ER，AR和基底标志物（CK14，CK34βE12，EGFR）的表达，使用 Allred score评分分组，并分析其与pCR的关系。研究结果表明，在单变量分析中，ER阴性，AR阳性和基底标志物与pCR显著相关。在多变量逻辑回归分析中，只有ER阴性（P = 0.03）和AR阳性（P

Juan Rong等回顾了单中心2014-2018年间经过了抗HER2新辅助靶向治疗并进行外科切除的118例患者的临床病理参数，采用安德森癌症中心的(RCB)分级系统对手术后标本的疗效反应进行评估，pCR患者和RCB-I级患者被定义“有效组”，其他的被定义为“无效组”，分析抗HER2靶向新辅助治疗疗效与常见临床病理参数（包括患者年龄、肿瘤Nottingham分级 (1/2级vs3级)、HER2 IHC 状态（3+vs其他）、HER2拷贝数、HER2/CEP17 比值、ER 和 PR 状态）的相关性。研究结果显示“有效组”与“无效组”人群年龄相同，但在HER2 IHC3+、ER+、PR+、HER2拷贝数、HER2/CEP17比值的指标上显示出差异，研究者认为HER2蛋白表达3+，高HER2拷贝数，ER/PR阴性是抗HER2新辅助治疗疗效预测因素。临床病理特征有助于预测HER2阳性乳腺癌患者的新辅助疗效。

Tricia Rood等也研究了HER2 阳性乳腺癌患者中预测 pCR 的因素，并进一步分析 HER2 过表达水平与生存期之间是否存在关联。该研究回顾性分析了接受新辅助抗 HER2 治疗和标准化疗的 HER2+ 乳腺癌患者，最终确定了257例患者，对其粗针穿刺活检标本进行生物标志物（ER、PR、HER2、Ki67）免疫组化检测，并对所有 IHC 2+ 和大多数 IHC3+ 病例进行了 HER2 FISH 检测。对术后标本进行病理学反应评估（pCR 定义为 ypT0/is ypN0），并获取随访信息分析生存率。在单变量分析中，pCR与HER2 IHC 3+、ER 阴性、ER 低表达、PR 阴性和较高的KI67 (p=0.033) 密切相关，多变量分析表明HER2 IHC 3+、HR阴性与pCR独立相关。pCR组与非pCR组在生存获益方面并未观测到显著性差异，当按照低 HER2/CEP17 比值 (p=0.045)、DFS (p=0.0037) 和 RFS (p=0.0037) 显著较好。该研究最后得到结论，尽管高HER2 表达是 pCR 的预测因素，但实现 pCR 的 HER2 比值较低的患者的长期结局显著优于比值较高的患者。这表明即使HER2 高表达其与抗 HER2 治疗的初始高敏感性相关，但仍是不良预后因素。

2.ctDNA检测对NAT反应的预测

在接受新辅助化疗(NAC)的患者中，循环肿瘤DNA (ctDNA)已被证明有助于监测微小残留病灶。Nikaoly Ciriaco等研究了ctDNA在新辅助治疗过程中的变化及其与手术切除标本的病理反应的相关性，并对其预测病理完全缓解的潜在能力进行评估。研究选取了18例接受NAC的三阴性 (TN)或HER2阳性乳腺癌患者进行分析，采用sanger测序的方式对其原发灶石蜡标本评估TP53(外显子5-9)和PI3KCA(外显子9和20) 突变，对于每一位在肿瘤组织中鉴定出的PIK3CA或TP53突变的患者，均利用SysmexInostics’s SafeSEQ技术对初诊时以及新辅助治疗第一周期、中期和手术时获取的血浆样本进行相应突变的检测。研究结果显示，8例患者在原发灶中检测到PIK3CA或TP53突变，NAC 1个周期后，6例(75%)患者未检测到突变，另外2例(25%)自治疗中期开始未检测到突变，术后病理学评估发现7例（88%）达到了pCR。研究结果表明，TN或HER2阳性的乳腺癌患者的血浆中检测到的ctDNA从NAC第一个周期开始大幅度下降，至手术时已无法检测，该改变与pCR相关。

3.多基因分析对NAT反应的预测

在ER/ PR+ HER2-乳腺癌中，PAM50ROR评分和OncotypeDX复发评分(RS)被证明对其辅助治疗具有预后和预测意义。Alexandra Schulz等研究了治疗前穿刺活检标本中基因表达特征在预测病理完全缓解(pCR)（定义为ypT0/is ypN0）中的作用。本研究回顾性分析了一组在单中心接受单侧原发性乳腺癌NACT治疗的患者(2003 - 2012)。选择符合ER阳性和HER2阴性、穿刺活检标本中RNA充足且质量达标的163个样本。利用nCounter（NanostringTechnologies,Seattle CA）平台对269个乳腺癌相关基因和11个管家基因进行RNA分析，利用RVersion 3.6.1对数据进行标准化和统计计算。ROC切点分析显示ROR-score和RS的预测得分相似。ROR-score的增殖特征与ROR-score本身具有相似的意义,OncotypeDX的增殖特征也可预测pCR。ROR-或RS-score的其他子标记对pCR的预测不显著。在pCR vs. non-pCR的 logistic模型中，对269个基因整体数据集的基因差异表达分析发现36个上调基因是有意义的(调整后的p值

以铂类为基础的新辅助化疗(NACT) 可改善三阴性乳腺癌 (TNBC) 的病理学完全缓解 (pCR)。之前的研究表明，DNA 同源重组缺陷 (HRD) 是预测 ER 阴性乳腺癌中pCR 的潜在生物标志物。因此，杨文涛教授团队尝试建立一个 HRD 基因表达评分来预测 TNBC 中肿瘤对以铂类为基础的 NACT 的敏感性。研究者回顾了 2012 年至 2017 年的在复旦大学附属肿瘤医院确诊并接受以铂类为主的 NACT 治疗 127 例 TNBC 患者，收集患者的临床和病理资料并进行回顾性分析，采用qRT-PCR方法，对NACT前粗针穿刺活检标本中 RAD51、XRCC5、RIF1、PARPBP、PARP1、BRCA1 等 HRD 相关基因表达水平进行分析，建立随机森林模型，估算各基因表达水平和临床病理因素的权重，将样本随机分配至训练集和验证集，构建并选择最佳模型。最终建立4 基因 (BRCA1、XRCC5、PARP1、RAD51) 表达特征评分系统，该评分系统中评分较高的 TNBC 与评分较低的 TNBC 相比，达到以铂类为基础的 NACT 的 pCR 可能性几乎增加4 倍。cut-off值为-2.644时，4 基因评分系统对预测乳腺 pCR (93.0%) 和乳腺/腋窝 pCR (91.8%) 的敏感性较高，而cut-off值为-1.969时，4 基因评分系统对预测乳腺 pCR (85.7%) 和乳腺/腋窝pCR (80.8%) 的特异性较高。此外，Ki-67≥40%和 N 分期也是 pCR 的独立预测因子，4基因评分与 Ki-67≥40% 呈正相关,与阳性淋巴结计数呈负相关。该研究表明以 qRT-PCR 为基础的 4 个基因评分是 TNBC 患者以铂类为基础的 NACT 的有效预测因子。

4.人工智能对NAT反应的预测

在人工智能预测pCR反应方面，DavidDodington等进行了一项原理循证研究，以确定数字病理平台和人工智能（AI）的肿瘤细胞核自动检测是否可以预测肿瘤对NAC的反应。研究者从所在机构中选取2010年至2017年接受新辅助化疗（NAC）的乳腺癌患者标本进行回顾性队列研究，筛选出22例pCR病例和21例pPR（病理部分缓解）病例，找出NAC前的乳腺粗针穿刺活检组织，通过人工在整个扫描切片图像上手动标注浸润癌，以作为训练AI算法的基本依据，使用具有U-Net架构的卷积神经网络将图像分解为包括肿瘤细胞核在内的肿瘤成分。混淆矩阵评估证实了AI算法的有效性。在pCR和pPR组之间，年龄，绝经状态，肿瘤大小，多灶性，组织学分级，三阴性肿瘤的比例，化疗类型或接受的周期数没有显着差异。但是，pCR组与pPR组相比，ER / PR 阳性者明显更少（分别为46％和76％），而HER2阳性者更多（77％和48％）。通过我们的AI算法评估的平均肿瘤核计数，在pCR组中显著更高（6.08±1.77对5.10±1.16，p

总结

通过以上研究，我们发现传统的病理学特征及生物标志物预测NAT反应具有十分重要的价值，HER2阳性、ER阴性、PR阴性、AR阳性往往预示着更有可能达到pCR，另外较高的KI67指数也可能预示着更高的pCR率。但当进一步分析与长期生存获益的关系时发现，尽管高 HER2 表达是 pCR 的预测因素，但实现 pCR 的HER2/cep17 比值较低的患者的长期结局显著优于比值较高的患者，这表明即使HER2 高表达其与抗 HER2 治疗的最初高敏感性相关，但仍是不良预后因素。而这也进一步提示我们，某些生物标志物虽然可能是pCR的预测因素，但与长期预后的关系，还需更深入的实验验证。

随着分子技术的不断进步，多基因检测越来越多的应用于临床实践，不同的多基因检测可以提高与临床病理因素相关的风险判别和临床预后的预测，多基因检测已在辅助治疗环境中得到诸多验证，而此次USCAP向我们展示了在新辅助治疗阶段，特定的多基因检测在特殊类型的乳腺癌中对pCR的预测价值，包括ctDNA检测在内的新的分子检测手段的运用也展示了在NAT阶段的ctDNA的变化与手术切除标本的病理反应的相关性，相信随着研究的深入，DNA/RNA层面的分子检测在NAT的预测价值也将得到进一步的体现。

随着先进的计算和统计科学发展，人工智能领域在各种应用中都在迅速增长，其在病理学方面的应用也在逐步推广，而有关NAT反应的预测，我们在此次USCAP poster中也看到基于肿瘤细胞核检测的AI，成功地预测乳腺癌患者在NAC后的pCR。正如一开始我们提到的，NAT反应与诸多生物标志物都可能有一定的关系，如何更好的将临床特征、病理特征、生化指标、影像学、多基因/蛋白质谱分析、免疫学等生物标志物进行有效的分析结合，以获得最佳预测效果，是我们面临的一项重要挑战，而人工智能在数据学习及分析方面有着天然优势，利用AI开发越来越准确的工具来预测NAT反应有着巨大的应用价值。