论文标题：Virtual Biomarkers and Simplified Metrics in the Modeling of Breast Cancer Neoadjuvant Therapy: A Proof-of-Concept Case Study Based on Diagnostic Imaging

论文链接：https://www.mdpi.com/2076-3271/13/4/242

期刊名： Medical Sciences

期刊主页：https://www.mdpi.com/journal/medsci

乳腺癌是全球女性中最常见的恶性肿瘤，新辅助化疗（NAC）已成为早期乳腺癌术前标准治疗手段之一。NAC不仅可以缩小肿瘤、提高保乳手术率，还能实时评估肿瘤对治疗的反应。然而，仍有约20%的患者无法从NAC中获益，因此，如何提前、精准预测治疗反应，成为临床亟待解决的问题。

近日，发表在 Medical Sciences 上的一项研究提出了一种全新的计算建模框架，通过整合动态增强MRI（CE-MRI）与反应扩散偏微分方程模型，成功预测了三例乳腺癌患者对新辅助化疗的个体化反应，并提出了“虚拟生物标志物”概念。以下是该研究的核心亮点。

研究亮点一：从影像到模型，构建个体化肿瘤演化路径

研究团队对三例接受不同NAC方案的乳腺癌患者（均为激素受体阳性）进行了回顾性分析。利用患者治疗前后的CE-MRI影像（图2、图3），通过3D重建和有限元建模，构建了肿瘤区域的几何模型，并在此基础上求解反应扩散方程，模拟肿瘤细胞密度在时间和空间上的变化。

图2示例： 患者1基线CE-MRI影像（轴向与矢状面），显示肿瘤区域（亮色部分）体积约4.1 cm³。

图3示例： 同一患者术后CE-MRI影像，肿瘤体积降至0.18 cm³，模型预测误差仅为+0.33 cm³。

研究亮点二：提出“虚拟生物标志物”概念

研究中最具创新性的部分，是引入了两类虚拟生物标志物：

生物转化率（r_c）：反映肿瘤内在增殖能力，与Ki67、激素受体状态、HER2表达等临床病理特征相关。

药效学效率系数（ε_PD）：反映患者对药物的个体化反应，量化治疗对肿瘤体积的削减能力。

这两类参数通过模型拟合获得，能够将患者的分子病理特征与治疗反应机制联系起来，形成真正意义上的“个体化预测”。

表1：三例患者的主要虚拟生物标志物值

研究亮点三：预测准确率高，误差控制在亚立方厘米级

模型预测的肿瘤体积与临床实测体积之间的绝对误差在0.07–0.33 cm³之间，所有三例患者均被归类为“真阳性”，模型精度与灵敏度均达到100%。尽管样本量小，未评估特异性，但其预测趋势与临床结果高度一致，展现了良好的可行性。

局限性与未来展望

当然，本研究仍处于概念验证阶段，存在以下局限：

样本量极小（仅3例），且均为同一分子亚型（HR+/HER2- 或 HER2+）；

虚拟生物标志物为经验拟合值，尚未建立系统性的参数推断方法；

未考虑肿瘤异质性、微环境、免疫细胞等因素的复杂交互。

未来研究将向以下方向拓展：

扩大样本量，纳入不同分子亚型（如三阴性、HER2+）与治疗策略；

引入机器学习方法，提高参数推断的自动化与鲁棒性；

整合多模态影像与病理数据，提升模型的生物学真实性；

开展前瞻性临床验证，推动模型走向实际临床决策支持。

结语：让肿瘤“说话”的计算医学

这项研究不仅展示了CE-MRI与数学模型结合的潜力，更重要的是提出了“虚拟生物标志物”这一概念，为无创、动态、个体化地预测肿瘤治疗反应提供了全新的工具路径。在未来，我们或许可以在患者开始化疗之前，就通过影像与模型“看见”其肿瘤的命运，从而制定出最精准、最人性化的治疗方案。

Medical Sciences期刊介绍

主编： Prof. Dr. Antoni Torres, Universidad de Barcelona, Barcelona, Spain

发表关于疾病分子与细胞过程的原创研究、综述及短篇通讯，促进对医学基本原理及生物学问题的深入理解。