17基因预测模型的预测性能使用这个17基因预测模型,所有入选的患者可以分为两组。预测可能达到pCR的患者被归入敏感(SE)组,预测不太可能达到pCR的患者被归入不敏感(INS)组。在训练集中,SE组的pCR率为43.2%,明显高于INS组的7.8%(图B)。对于测试集,SE组和INS组的pCR率有显著差异(40.4% vs 7.0%,图C)。在分析临床特征与pCR的相关性时(下表),在单因素分析中,HR状态、HER2状态、Ki67状态、TILs和临床分期与pCR显著相关。
17基因预测模型与IHC4评分的预测性能比较已有研究表明IHC4评分可以预测ER阳性乳腺癌的pCR。在该研究中,在HR阳性的病例中,IHC4评分与pCR显著相关,而在HR阴性的病例中,IHC4评分与PCR无显著相关。然而,17基因预测模型在HR阳性和阴性病例均与pCR呈正相关。当比较这2个预测模型的预测值时,在HR阴性乳腺癌中,17基因预测模型的AUC值明显高于IHC4评分,它们在HR阳性乳腺癌中的AUC值没有差异。此外,与IHC4评分(43.2%)相比,这个17基因预测模型对HR阳性病例的预测性能也有更高的灵敏度(78.4%)。在SE组中,IHC4得分高的患者的pCR率最高(48.3%),在INS组中IHC4得分低的患者的pCR率最低(5.0%)。 参考文献Prediction model of the response to neoadjuvant chemotherapy in breast cancers by a Naive Bayes algorithm