PREDICT_sTILs模型：提升TNBC风险分层与化疗决策精准度
PREDICT_sTILs模型：提升TNBC风险分层与化疗决策精准度的核心信息是什么？
三阴性乳腺癌（TNBC）由于缺乏内分泌及HER2靶向治疗靶点，化疗几乎是所有早期患者的“标配”。但一个残酷的真相是，并非所有TNBC患者都能从化疗中同等获益，而化疗带来的心脏毒性、神经损伤、继发肿瘤等长期风险，却由每一位患者共同承担。PREDICT是目前全球应用最广泛的乳腺癌预后预测工具（基于英国剑桥大学开发），其早期版本主要依赖经典...
三阴性乳腺癌（TNBC）由于缺乏内分泌及HER2靶向治疗靶点，化疗几乎是所有早期患者的“标配”。但一个残酷的真相是，并非所有TNBC患者都能从化疗中同等获益，而化疗带来的心脏毒性、神经损伤、继发肿瘤等长期风险，却由每一位患者共同承担。PREDICT是目前全球应用最广泛的乳腺癌预后预测工具（基于英国剑桥大学开发），其早期版本主要依赖经典临床病理特征：患者因素为年龄；肿瘤因素包括肿瘤大小、淋巴结状态、组织学分级、ER/PR/HER2状态。 属于「ONCO前沿」分类。 关键词：三阴性乳腺癌、化疗、精准医疗。 本文由 TalkMED 拓麦医学编辑团队审核发布，内容来源清晰、引用完整，符合平台编辑方针和利益冲突披露政策。
本文核心问答
Q1: 该研究的关键数据和临床意义是什么？
该研究基于3698例早期TNBC患者的个体数据，成功将基质肿瘤浸润淋巴细胞（sTILs）这一免疫微环境标志物整合进PREDICT模型，为回答“谁可以安全地免于化疗”提供了高级别的循证依据。研究者以PREDICT v2.3的预后指数（PI_PREDICT）和连续变量的sTILs（每10%增量）作为预测因子，构建了Cox回归模型，以乳腺癌特异性生存（BCSS）为主要终点。1. sTILs：每增加10%，死亡风险下降15% 在多因素分析中，sTILs被证实为独立的预后保护因素。每10%的sTILs提升，与乳腺癌死亡风险降低15%相关（HR = 0.85；95% CI: 0.82-0.88）。
Q2: 这篇文章的来源和作者资质如何？
发布于2026-08-14。
Q3: 本文涉及哪些核心医学术语和研究方向？
本文围绕「PREDICT_sTILs模型：提升TNBC风险分层与化疗决策精准度」主题，涉及三阴性乳腺癌、化疗、精准医疗等核心术语和研究方向。文中涉及的核心术语定义：HER2即人表皮生长因子受体2（Human Epidermal Growth Factor Receptor 2）；PR即部分缓解（Partial Response），靶病灶直径总和缩小≥30%；HR即风险比（Hazard Ratio），用于衡量两组间事件发生风险的比值；CI即置信区间（Confidence Interval），表示估计值的可信范围。。研究方法方面，统计分析采用Cox比例风险回归等方法。AUC从0.71提升至0.74，意味着在每100对随机抽取的患者（一例死亡、一例生存）中，新模型能多正确排序约3对，这在预后预测领域是具有临床意义的进步。
Q4: 该研究采用了什么研究设计和方法？
研究纳入21项研究/文献。主要终点指标包括主要终点。
三阴性乳腺癌（TNBC）由于缺乏内分泌及HER2靶向治疗靶点，化疗几乎是所有早期患者的“标配”。但一个残酷的真相是，并非所有TNBC患者都能从化疗中同等获益，而化疗带来的心脏毒性、神经损伤、继发肿瘤等长期风险，却由每一位患者共同承担。PREDICT是目前全球应用最广泛的乳腺癌预后预测工具（基于英国剑桥大学开发），其早期版本主要依赖经典临床病理特征：患者因素为年龄；肿瘤因素包括肿瘤大小、淋巴结状态、组织学分级、ER/PR/HER2状态。尽管PREDICT在整体人群中有良好表现，但其在TNBC这一特定亚型中的判别能力有限，尤其是对于年轻患者。原因在于：一方面，TNBC通常均为高级别（Grade 3），导致“分级”这一变量的区分度下降；另一方面，原模型未纳入反映肿瘤免疫微环境的生物标志物，而免疫微环境在TNBC的预后中扮演着决定性角色。2026年4月21日，《Annals of Oncology》在线发表了一项研究 “Including tumor-infiltrating lymphocytes into the PREDICT prognostic model for triple-negative breast cancer survival”。该研究基于3698例早期TNBC患者的个体数据，成功将基质肿瘤浸润淋巴细胞（sTILs）这一免疫微环境标志物整合进PREDICT模型，为回答“谁可以安全地免于化疗”提供了高级别的循证依据。
研究团队汇总了来自21项研究的3698名早期TNBC女性数据，其中1806人接受了辅助化疗，1892人则从未接受过化疗。研究者以PREDICT v2.3的预后指数（PI_PREDICT）和连续变量的sTILs（每10%增量）作为预测因子，构建了Cox回归模型，以乳腺癌特异性生存（BCSS）为主要终点。采用严格的“留一区域交叉验证”评估模型的内部-外部效度，并通过决策曲线分析（DCA）比较PREDICT_sTILs与原模型及“全员化疗”策略的临床净获益。
1.
sTILs：每增加10%，死亡风险下降15%
在多因素分析中，sTILs被证实为独立的预后保护因素。每10%的sTILs提升，与乳腺癌死亡风险降低15%相关（HR = 0.85；95% CI: 0.82-0.88）。这意味着，对于sTILs水平从10%升至50%的患者，相对风险可降低超过一半。
2.
预测精准度：AUC达0.74，超越原版
在内部-外部验证中，PREDICT_sTILs表现出良好的校准度与区分度：
5年预测：观察/预期死亡比（O/E）为0.98（95% CI: 0.69-1.41），AUC为0.74（95% CI: 0.72-0.77）。
10年预测：O/E比为0.99（95% CI: 0.72-1.35），AUC为0.74（95% CI: 0.70-0.78）。
相比之下，原PREDICT模型在该人群中的外部验证AUC仅为0.70-0.71。AUC从0.71提升至0.74，意味着在每100对随机抽取的患者（一例死亡、一例生存）中，新模型能多正确排序约3对，这在预后预测领域是具有临床意义的进步。
3.
临床决策价值：每千名患者多识别60例可免化疗者
这是最关键的发现。决策曲线分析显示，在10年乳腺癌死亡风险阈值8%-15%范围内：
相较于原PREDICT模型，PREDICT_sTILs每1000名未化疗患者中，能额外识别出19-60例净真低风险患者（即可安全豁免化疗的人群）。
同时，还能多识别出3-10例净真高风险患者（即真正需要积极治疗的人群）。
这意味着，新模型不仅帮助更多低危患者避免了不必要的毒性，也并未以牺牲高危患者的识别为代价，实现了真正的“精准分层”。
图1. 基于留一区域交叉验证的内部-外部效度评估结果
图2. 基于10年乳腺癌死亡率的决策曲线分析
＋
短评与讨论
这是最关键的发现。决策曲线分析显示，在10年乳腺癌死亡风险阈值8%-15%范围内：
相较于原PREDICT模型，PREDICT_sTILs每1000名未化疗患者中，能额外识别出19-60例净真低风险患者（即可安全豁免化疗的人群）。
同时，还能多识别出3-10例净真高风险患者（即真正需要积极治疗的人群）。
这意味着，新模型不仅帮助更多低危患者避免了不必要的毒性，也并未以牺牲高危患者的识别为代价，实现了真正的“精准分层”。
参考文献
1. Y, Wang,D, Drubay,S F, Jonas et al. Including tumor-infiltrating lymphocytes into the PREDICT prognostic model for triple-negative breast cancer survival.[J] .Ann Oncol, 2026.
撰写丨陈博
责任编辑丨郭筝
版权声明：本平台旨在帮助医疗卫生专业人士更好地了解相关疾病领域最新进展。本平台对发布的资讯内容，并不代表同意其描述和观点，仅为提供更多信息。若涉及版权问题，烦请权利人与我们联系，我们将尽快处理。仅供医疗卫生专业人士为了解资讯使用，该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议。如该等信息被用于了解资讯以外的目的，本平台及作者不承担相关责任。合作联系邮箱：ONCO@edoctor.work。
点击"阅读原文"即可看原文
本文涉及的主要医学术语
文中涉及的核心术语定义：HER2即人表皮生长因子受体2（Human Epidermal Growth Factor Receptor 2）；PR即部分缓解（Partial Response），靶病灶直径总和缩小≥30%；HR即风险比（Hazard Ratio），用于衡量两组间事件发生风险的比值；CI即置信区间（Confidence Interval），表示估计值的可信范围。
本文研究方法与设计类型
统计分析采用Cox比例风险回归等方法。研究纳入21项研究/文献。
本文临床背景与意义
本文属于三阴性乳腺癌、化疗、精准医疗等医学领域。AUC从0.71提升至0.74，意味着在每100对随机抽取的患者（一例死亡、一例生存）中，新模型能多正确排序约3对，这在预后预测领域是具有临床意义的进步。。该研究评估的终点指标包括主要终点。
引用格式：PREDICT_sTILs模型：提升TNBC风险分层与化疗决策精准度. 发布日期：2026-08-14. 来源：TalkMED拓麦. URL: https://portal.talkmed.com/news/4507
分享
收藏
点赞
