张明坤 王哲 杨柳 侯兰 张聚良

美国癌症中心的统计数据显示，每年美国有271 270 例新发乳腺癌患者，其中约42 260 例患者死于乳腺癌[1]。浸润性微乳头状癌(invasive micropapillary carcinoma，IMPC)是乳腺浸润性导管癌的一种特殊类型，占乳腺癌的2%～8%[2]。乳腺IMPC 因具有更高的侵袭性，易出现血管侵犯及淋巴结转移[3-4]，但对其临床病理特征和预后影响因素尚缺乏统一的结论[5]。如何对乳腺IMPC 患者的危险因素进行综合考虑并预测预后，对改善患者的生存具有重要意义。本研究旨在通过分析对比中国和美国乳腺IMPC 患者数据，构建预测患者总生存（overall survival，OS）率和癌症特异生存（cancer-specific survival，CSS）率的列线图模型，为患者个体化治疗提供依据。

1 材料与方法

1.1 材料

回顾性分析2006年7月至2015年7月83 例中国人民解放军空军军医大学西京医院收治的乳腺IMPC 患者临床资料。通过SEER*Stat version 8.3.5软件对2010年3月至2015年3月美国国立癌症研究所的SEER 数据库中的乳腺IMPC 患者的数据进行筛选，最终纳入415 例。纳入标准：1）病理确诊为乳腺癌的患者，病理学特征符合国际肿瘤学疾病编码（International Classification of Diseases for Oncology）第三版（ICD-O-3）；2）病理分型为IMPC；3）有完整的临床病理及随访资料。排除标准：1）随访信息不完整；2）经过尸检或死亡证明确诊的病例；3）分化程度、肿瘤分期等重要信息缺失。

1.2 方法

1.2.1 模型的构建和验证 对比本院和SEER 数据库中的中美两国患者的临床病理资料，包括年龄、是否放疗、是否化疗、分期、分化程度、左右侧、肿瘤位置、是否为第一原发肿瘤、术式、激素受体（hormone rece ptor，HR）、人类表皮生长因子受体-2（HER-2）状态、分子分型以及生存状态和时间等变量。以SEER 数据库提取的415 例患者数据作为建模集，分析乳腺IMPC 预后的独立影响因素并建立预测模型，以本院83 例患者数据作为验证集，验证模型对于中国患者的预测效果。

1.2.2 随访 使用门诊和电话随访方式，建模集随访时间为0～83 个月、中位随访时间为59 个月，验证集随访时间为19～102 个月、中位随访时间66 个月。随访截止至2020年8月。

1.3 统计学分析

采用R 软件（4.0.3）进行统计学分析并绘制列线图。采用χ2检验和Fisher 精确检验比较建模集和验证集的基线特征，对于等级资料进行Mann-Whitney U秩和检验，连续资料进行t检验，采用Kaplan-Meier法计算总生存率，Log rank 法检验评价各变量的不同亚组生存差异。通过单因素及Cox 比例风险回归模型多因素和Fine-Gray 竞争风险模型分析影响乳腺IMPC 预后的独立危险因素，通过C-index、校准曲线和临床决策曲线分析（decision curve analysis，DCA）验证模型的可靠性。P＜0.05 为差异具有统计学意义。

2 结果

2.1 乳腺IMPC 患者一般特征

建模集平均年龄为60 岁，验证集平均年龄为51 岁，两者比较差异具有统计学意义（P=0.013）。建模集和验证集中的年龄、肿瘤位置、术式、是否为第一原发肿瘤和T 分期进行比较差异具有统计学意义（P＜0.05，表1）。

表1 乳腺IMPC 患者的一般特征

表1 乳腺IMPC 患者的一般特征 （续表1）

2.2 各因素对IMPC 预后影响的分析

采用单因素及Cox 比例风险回归模型多因素分析结果显示，年龄、N 分期、M 分期及分子分型是乳腺IMPC 患者OS 预后的独立危险因素（P＜0.05，表2）。采用Kaplan-Meier 和Log rank 检验方法，使用Cox 比例风险回归模型绘制各主要因素的生存曲线；采用Fine-Gray 竞争风险模型分析患者的CSS 预后影响因素，绘制累计肿瘤特异性死亡率和累计竞争风险事件发生率（非肿瘤相关死亡率）的生存曲线（图1）。采用Fine-Gray 竞争风险模型分析显示，N 分期、M 分期及分子分型是乳腺IMPC患者CSS 预后的独立危险因素（P＜0.05），HR（95%CI）分别为1.39（1.11～1.74）、11.26（6.05～20.94）、1.43（1.09 ～1.88）。

表2 影响乳腺IMPC 患者预后的单因素和Cox 比例风险回归模型多因素分析

图1 筛选因素对乳腺IMPC 患者OS 和CSS 影响的生存曲线分析

2.3 乳腺IMPC 患者OS 及CSS 预后列线图的构建

基于建模集Cox 比例风险回归模型多因素和Fine-Gray 竞争风险模型分析结果，分别构建乳腺IMPC 患者OS 和 CSS 预后的列线图预测模型（图2）。将列线图中各个变量所得分值相加的总分可预测乳腺IMPC 患者的生存率。

图2 乳腺IMPC 患者OS 和CSS 预后的列线图预测模型

2.4 列线图预测模型的内部及外部验证

OS 和CSS 模型中，建模集建立模型的C-index分别为0.85 和0.79，验证集的外部验证C-index 分别为0.72 和0.70，bootstrap 法经自助重抽样1 000 次内部验证C-index 分别为0.81 和0.74，均显示模型具有良好的区分度。为评估模型是否存在过度拟合，在OS 及CSS 模型的建模集和验证集中，分别根据患者的3年和5年生存率绘制校准曲线，结果显示所有的校正曲线均与理想曲线有较好的吻合度，提示模型预测有较好的校准度和准确性（图3）。

图3 建模集及验证集的乳腺IMPC 患者OS 和CSS 校准曲线

2.5 列线图预测模型的临床决策曲线分析

针对OS 列线图模型中的建模集和验证集的3年及5年的OS 率分别绘制DCA 曲线，其中黑色横线代表所有样本均为阴性、获益为0，灰色斜线表示所有样本均为阳性，虚线为模型的净获益情况，无论建模集还是验证集模型的临床净获益均较高，尤其验证集的中国乳腺IMPC 患者获益更为明显，显示模型的临床效能较好（图4）。

图4 建模集及验证集的乳腺IMPC 患者3年和5年OS 的DCA 曲线

3 讨论

列线图可对特定时间点的生存情况进行个体化预测，作为一种新型预测模型，与传统预测方法相比，准确性更高，适应性更广，并且易于推广[6]。多数研究表明，乳腺IMPC 侵袭性高，预后差[7-8]，为改善乳腺IMPC 患者的预后，本研究构建列线图预测模型，预测乳腺IMPC 患者的OS 和CSS，再在中国乳腺IMPC患者中进行外部验证，并通过bootstrap 方法进行内部验证，采用C-index、ROC 曲线和校正曲线评估模型的区分度和可靠性，最后通过DCA 评价模型的临床获益和应用价值。传统的敏感性、特异性及AUC 等诊断指标只是考虑模型的准确性，对临床实践中的实际临床效用无法做出有效评估，而DCA 能够从临床决策的实际出发，将患者或决策者的偏好整合到分析中[9]，从而进一步评估患者是否有临床获益。传统的Kaplan-Meier 法和Cox 比例风险回归模型多因素分析，对OS 进行分析往往会高估累计死亡率和风险比值（HR）。本研究采用Fine-Gray 竞争风险模型分析CSS，与传统的Cox 比例风险回归模型进行互补，提高对患者预后预测的准确性，结果显示列线图能准确预测乳腺IMPC 患者的预后，为临床的诊疗提供科学依据。

本研究结果显示，年龄是OS 的独立危险因素，而N 分期、M 分期及分子分型是乳腺IMPC 患者OS 及CSS 共同的预后的独立危险因素，年龄与乳腺IMPC 患者的OS 相关，而与CSS 无关，可能是因患者高龄导致的死亡是CSS 的竞争风险事件。本研究发现，乳腺IMPC 患者的淋巴结阳性比例建模集和验证集分别为56.14%（233/415）和57.83%（48/83），随着N 分期增高，患者的死亡风险不断升高，与Yu 等[10]研究中的乳腺IMPC 患者的腋窝淋巴结转移比例较高，同时复发风险更高的结果相符。本研究中，M 分期是风险度最高的独立危险因素，M1 期的患者死亡风险是M0 患者的19.57 倍，与临床中的实际情况相符。本研究中，分子分型与乳腺IMPC 的预后密切相关，HR 阳性/HER-2 阴性的患者预后最好，而HR 阴性/HER-2 阴性的患者预后最差，与Gamba 等[11]研究结果一致。关于乳腺IMPC 的诊断标准，Middleton 等[12]认为IMPC 成分应占75%以上才能诊断为IMPC，Luna-Moré等[13]认为IMPC 的肿物直径＞5 mm 就应该诊断为IMPC，而Ide 等[14]认为无论IMPC 成分在癌巢中占多少比例，其淋巴结转移率和预后差异均无统计学意义。IMPC 成分所占比例有可能是影响乳腺癌患者预后的因素，但SEER 数据库中因未提供IMPC成分比例相关数据，所以本研究未能将IMPC 成分所占比例纳入模型中。

综上所述，本研究基于SEER 数据库中乳腺IMPC 患者数据建立预测模型，确立了乳腺IMPC 患者预后的独立危险因素，预测模型能够准确有效的预测IMPC 患者的预后，尤其是基于验证集的中国乳腺IMPC 患者模型具有良好的预测能力，为乳腺IMPC预后的预测提供有效的科学依据。但由于乳腺IMPC 发病率较低，目前国内仍缺少大样本量的乳腺IMPC 研究数据，本研究中的模型仍需进一步的优化和验证。