乳腺癌预后预测评估模型的研究进展

公彦栋，黄焰

军事医学科学院附属医院乳腺外科

　　乳腺癌是一种高度异质性的疾病，不同的临床分期、分子分型、病理类型的乳腺癌预后不同，即使是分子分型、临床分期相近或相同的同种病理类型的乳腺癌患者预后也有较大的差异，而这种预后的差异难以用临床上常用的临床病理预后参数解释，因此探索乳腺癌基因水平异质性，寻找合适的分子标志物并构建适用于临床的预后以及预测模型对于解决乳腺癌的个体化治疗具有重要且深远的意义。

---

　　乳腺癌是世界范围内最常见的一种女性恶性肿瘤【1】，全球每年约有138万的新增病例以及40万乳腺癌死亡病例【2】，成为女性健康的巨大威胁。其在细胞起源、组织学形态、疾病分级、临床表现、治疗反应以及转移潜能等方面都表现出极大的复杂性与异质性【3】。Gerlinger等【4】研究证实了肿瘤异质性的存在，乳腺癌的治疗模式已渐渐向个体化治疗转变。Perou等【5】通过cDNA微阵列技术，根据基因表达的聚类分析，将乳腺癌分为管腔A型、管腔B型、HER2过表达型、基底样型和正常乳腺样型五种类型。分子分型与临床上常规的肿瘤大小、淋巴结状态、组织学分级等预后判断指标相比，促进临床医师对乳腺癌的认识由单一疾病向多组疾病转变【6】。但是免疫组化检验获取的分子分型结果与基因芯片检测结果存在一定偏差，且未考虑到肿瘤微环境的影响【7】。在临床实践中也难以解释内分泌治疗以及靶向治疗过程中存在的原发性及继发性耐药问题，难以解释同一分子分型的患者预后及治疗反应完全不同的现象。因此从基因组、转录层次去研究乳腺癌的异质性与肿瘤发生发展的关系可为解决乳腺癌的治疗困境，预测乳腺癌的治疗反应，个体化判断乳腺癌预后，改善生存提供一条新思路。本文就目前重要的预后评估工具及一些有意义的研究展开论述。

　　1　乳腺癌预后评估模型现状

　　目前，针对乳腺癌预后的分子标志物及多基因预后模型的研究较多，但应用于临床预后评估模型仍然较少。2016年ASCO推荐6种生物标志物检测方法具有临床应用价值的“充分证据”，包括：OncotypeDX，EndoPredict，PAM50（Prosigna乳腺癌预后标记检测），乳腺癌指数法，尿激酶型纤溶酶原激活因子，纤溶酶原激活因子抑制因子1。

　　2　乳腺癌的多基因预后评估模型

　　2.1　雌激素受体阳性乳腺癌分子评估模型

　　2.1.1　OncotypeDX法

　　NSABPB-14和B-20研究表明淋巴结阴性、激素受体阳性患者可以从内分泌治疗以及化疗中获益，但是在内分泌治疗的基础上，加用化疗大部分患者就有过度治疗的问题【8】。Paik等【9】通过应用RT-PCR技术对NSABPB-14研究中的组织蜡块标本进行基因筛选，检测出250个候选基因，并从淋巴结转移阴性、激素受体阳性、经他莫昔芬治疗的乳腺癌患者中选出了21个与远处复发相关的基因。根据有利以及不利基因的表达得到复发风险得分（RS）。Mamounas等【10】将B-20和NSABPB-14的数据进行Kaplan-Meier生存分析，结果提示10年局部复发率和RS评分密切相关。高风险组的预后明显差于低风险组，且更能从化疗中获益。同时Paik等【9】通过分析651例NSABPB-20研究中患者使用CMF或MF方案与RS的关系也证实了，低RS评分内分泌治疗加上化疗未提高获益。Albain等【11】对SWOG8814实验的患者进行RS评分，显示高RS评分组激素加CAF化疗相较于单用他莫昔芬，患者无病生存率差异具有统计学意义（55%∶43%），然而在低RS评分组中，CAF化疗的获益不多。Gianni等【12】对89例新辅助化疗（阿霉素＋紫杉醇）的局灶高级别乳腺癌患者进行了基因检测，结果发现RS评分与完全病理缓解（pCR）呈正相关，提示RS评分越高，越可能从新辅助及术后辅助化疗中受益。

　　总之，21基因检测对于雌激素受体阳性患者预后的预测，以及判断辅助化疗的受益程度相较于传统的方法具有较大的优势，但是检测费用昂贵，且化疗受益的预测只限于传统的经典化疗方案等原因仍限制了其在国内临床的应用普及。

　　2.1.2　MammaPrint评分

　　MammaPrint是首个经FDA批准用于临床的多基因检测系统。2002年由荷兰癌症研究院开发的一种乳腺癌多基因检测系统【13】，借助基因芯片技术，通过检测78例临床分期为Ⅰ期或Ⅱ期的乳腺癌患者新鲜冰冻组织的RNA（这些患者均为淋巴结阴性，年龄小于55岁，且肿瘤直径小于5cm）从25000个候选基因中，筛选出70个与预后最相关的基因【14】。Buyse等【15】进行了307例淋巴结阴性患者的多中心独立样本的验证，证实了MammaPrint对于远处转移时间以及总生存率的预测要明显优于常用的病理指标。Mook等【16】对241例淋巴结转移1～3枚，临床分期Ⅰ～Ⅲ期的乳腺癌患者冰冻标本进行70基因的检测，证明MammaPrint可准确判断淋巴结阳性患者的预后，并能够避免对部分淋巴结阳性但能够长期无风险生存的患者进行过度治疗。Bueno-de-mesquita等【17】对701例乳腺癌患者进行激素受体水平分层分析，发现MammaPrint在激素受体阳性患者中具有较好的预后预测价值，但是对于受体阴性的患者预后预测有相当大的局限性。

　　MammaPrint对于预测雌激素受体阳性的乳腺癌患者预后具有重要的意义，但是由于新鲜的冰冻组织，对于标本质量要求高，无法应用于石蜡标本，而且检测费用高，同时对于复发转移的预测主要限制在5年之内，对更长时间的风险评估则有失准确，这对于指导雌激素受体阳性的乳腺癌患者5年之后是否继续服用内分泌药物受到很大限制，也限制了其在临床上的应用【18】。

　　2.1.3　PAM50/复发风险/Prosigna工具

　　2013年9月美国食品药物管理局通过Prosigna作为新的预后评估工具，其主要针对的是绝经后进行内分泌治疗的Ⅰ、Ⅱ期（1～3个淋巴结转移）的雌激素受体阳性乳腺癌患者，主要是通过对石蜡样本信使核糖核酸（mRNA）的检测，评估PAM50中50个基因的表达，从而计算出患者远处转移的风险。

　　Prosigna能够反映远处复发的风险，但是不能直观的分辨患者的亚型【19-20】。值得欣慰的是Prosigna虽然价格昂贵，但是在病理实验室即可完成。

　　2.1.4　Endopredict法

　　Endopredict法是以RT-PCR为基础的预后预测工具，通过检测8个癌症基因和3个管家基因的表达，从而将只接受内分泌治疗的雌激素受体阳性乳腺癌患者分为高危以及低危复发组【21】，Endopredict法主要是在欧洲作为一种预后评估工具销售，相关研究也证实Endopredict法也可以对雌激素受体阴性的乳腺癌起到区分作用【22】。

　　2.1.5　鹿特丹76基因标记（Rotterdam signature）

　　鹿特丹76基因标记是由16个雌激素阴性基因和60个雌激素阳性基因组成的，通过检测新鲜组织或冰冻组织中mRNA，预测淋巴结阴性、未接受过任何辅助治疗、原发性乳腺癌复发转移风险的76基因检测系统【23】，Foekens等【24】通过180例患者的验证工作，证实鹿特丹标记对于预测5年内的远处转移风险具有较好的指示作用。另外一项比较鹿特丹标记与传统的预后评估方法圣加伦【25】和美国卫生研究院（NIH）指南【26】的研究结果显示鹿特丹标记可以使大约40%的传统方法认定的高风险患者免于过度辅助治疗。

　　2.1.6　基因组等级指数

　　基因组等级指数（GGI）是结合基因等级预测预后的97基因检测系统。105例只接受内分泌治疗、淋巴结阴性、激素受体阳性乳腺癌患者被纳入此项研究，结果显示高基因等级指数组的无复发生存率明显低于低基因等级指数组，差异具有统计学意义（P＜0.001），另一方面GGI对于组织学分级为Ⅱ级的患者具有较好的区分作用，且能准确地对其进行基因等级指数的重新划分，从而能较好地预测其预后。且进一步的研究显示高GGI患者在新辅助化疗中更容易获得pCR【27-28】。

　　2.1.7　乳腺癌指数

　　乳腺癌指数主要通过对石蜡组织进行基因筛查，预测激素受体阳性、淋巴结阴性的患者的5年以及更长时间的远处复发风险，主要由2基因的检测系统（HOXB13：IL17BR）和5基因的分子等级指数组成【29-30】。与21基因等广为接受的预后评估模型相比，乳腺癌指数对于预测远期复发风险具有独特的优势【31】。并且能够区分出35%～45%的远期预后高危的患者，而这部分患者的内分泌治疗往往需要延长至10年。

　　2.2　三阴性乳腺癌或雌激素受体阴性乳腺癌分子评估模型

　　三阴性乳腺癌（TNBC）是一组高度侵袭性的乳腺癌，与非三阴性乳腺癌相比，其具有更短的无复发生存期和总生存期，Viviana等【32】报道三阴性乳腺癌的5年总生存率为80.6%，与非三阴性乳腺癌相比差异具有统计学意义（P＜0.05）。然而三阴性乳腺癌具有高度的异质性，即使临床病理类型相近的三阴性乳腺癌其预后也有较大的差异。而新一代预后评估模型包含21基因复发评分以及70基因等对雌激素受体阳性乳腺癌患者预后预测效果较好，对于三阴性乳腺癌的预后评估则帮助甚少。

　　2.2.1　基因分型

　　部分学者【33-34】使用基因序列分类法将三阴性乳腺癌分为两种亚型：基底细胞亚型（BLBC）和非基底细胞亚型（密封蛋白低表达亚型、HER2过表达亚型、管腔A型、管腔B型、正常乳腺样型）。其中非BLBC乳腺癌相对BLBC预后好，而非基底细胞乳腺癌中后三种预后相对较好。Lehmann等【35】通过基因集群序列表达法对587例三阴性乳腺癌患者的2188组基因序列表达的检测，将三阴性乳腺癌分为基底细胞型（基底细胞样1型BL1与基底细胞样2型BL2）、免疫调节亚型（IM）、间质干细胞亚型（MSL）、间充质型（M）和管腔雄激素受体亚型（LAR）六种亚型。其中LAR亚型和M型的无复发存活率（RFS）显著低于BL1型、IM型、MSL型，而远处转移存活率（DMFS）六种亚型差异无统计学意义。

　　2.2.2　IR-7与IR-98

　　Teschendorff等【36】首次报道C1QA、IGLC2、LY9、LA-F、TNFRSF17、SPP1和XCL27个免疫相关基因，用于预测雌激素受体阴性乳腺癌患者的预后，基因过表达相对低表达的患者预后好。在这个研究的基础上开发了一个新的预后工具7基因表达分类【37】，同时在469例雌激素受体阴性患者中进行了验证性测试，预测价值为94%（HR=0.15，P＜0.01），并显示基因过表达、预后相对较好的患者可能从化疗中受益有限。Desmedt等【38】同样对雌激素受体阴性的乳腺癌患者进行基因筛查，发现了98个与预后关联较大的免疫调节相关基因，并定义为IR-98。

　　2.2.3　A-评分工具

　　Desmedt等【39】将DNA拓扑异构酶ⅡA（TOPIIA）、免疫相关基因以及间质相关基因结合共同组成一个预后评估工具A-评分，它能够预测ER阴性和（或）HER2阴性患者能否从以蒽环类药物为基础的新辅助化疗中达到病理完全缓解（pCR）。

　　2.2.4　14基因预后工具（巴克研究所-14标记）

　　Yau等【40】通过对199例淋巴结阴性、ER阴性的（其中三阴性乳腺癌156例）乳腺癌患者借助基因芯片技术进行基因筛查，检测出14个与预后关系密切的基因，其中11个基因对于激素受体阴性的患者预后预测具有较大的优势，7个基因对于三阴性乳腺癌的复发转移的预测具有较大的优势。研究显示14个基因除HAPLN1和RGS4外，基因的过表达都提示较好预后。

　　2.2.5　45基因

　　Kuo等【41】使用基因芯片技术，对157例未接受任何新辅助治疗的乳腺癌患者（其中三阴性乳腺癌51例，ER阳性乳腺癌106例）的冰冻样本进行基因检测，从20140个相关基因中筛选出45个对三阴性乳腺癌复发转移有非常重要作用的基因，在后续的48例三阴性乳腺癌的验证工作中，其预测的准确度达到94%（45/48），形成了针对三阴性乳腺癌的45基因预后预测工具，在基因的功能及作用途径的研究中发现这些基因大多与细胞增殖、细胞周期调控和DNA复制有关。

　　根据圣加伦共识，三阴性乳腺癌要接受以蒽环类药物为基础的辅助化疗【41】，但是以蒽环、紫杉类为代表化疗方案使患者受益的同时，会产生众多不良反应。新的预后工具45基因能够识别三阴性乳腺癌中复发转移风险低的患者，特别是淋巴结阴性的患者，从而减少高剂量化疗方案对患者造成的过度治疗。

　　2.2.6　复旦大学附属肿瘤医院预后预测模型

　　国内针对三阴性乳腺癌的基因预测模型也取得一定的进展，复旦大学附属肿瘤医院使用全转录组芯片技术通过对165例三阴性乳腺癌患者（33例配对组织）检测其mRNA与长链非编码核糖核酸（lncRNA）表达谱，共获得183个差异表达的mRNA与195个lncRNA，并最终筛选出包括8个mRNA（CDK1，CDC6，SQLE，FCGR1A，RSAD2，ABCA8，CHRDL1和ADH1B）和2个lncRNA（SNRPEP4，SNORD78）的三阴性乳腺癌mRNA-lncRNA联合预后预测模型【43】，该预测模型能够将三阴性乳腺癌区分为高危复发组与低危复发组并能够预测紫杉醇化疗的疗效，有望成为临床上三阴性乳腺癌个体化治疗的重要依据。

　　3　小结

　　乳腺癌作为女性发病率最高的恶性肿瘤，具有高度异质性，临床的常规指标往往难以准确预测乳腺癌患者的个体化预后，研究适用于临床预测的预后工具以及模型越来越受到临床医生的重视，也是实现精准医疗与个体化医疗的趋势，目前相关的研究有很多，但是除了21基因复发评分以及70基因被批准应用于临床外，由于费用高，技术不足以及可重复性差，仍然缺乏实用、廉价的预后预测评估工具应用于临床，尤其是针对ER阴性乳腺癌，仍需要大样本多中心的研究与验证，来探索发现新的适合临床的多基因预后评估模型。

参考文献

1. Beiki O, Hall P, Ekbom A, et al. Breast cancer incidence and case fatality among 4.7 million women in relation to social and ethnic background: a population-based cohort study. Breast Cancer Res. 2012;14(1):5-17.

2. World Health Organization. Globocan 2008: Estimated cancer incidence, mortality. prevalence and disability-adjusted life years (DALYS) world wide in 2008. globocan.iarc.fr

3. Lv M, Li B, Li Y, et al. Predictive role of molecular subtypes in response to neoadjuvant chemotherapy in breast cancer patients in Northeast China. Asian Pac J Cancer Prev. 2011;12(9):2411-2417.

4. Gerlinger M, Rowan AJ, Horswell S, et al. Intratumor heterogeneity and branched evolution revealed by multiregion sequencing. N Engl J Med. 2012;336(10):883-892.

5. Perou CM, Srlie T, Eisen MB, et al. Molecular portraits of human breast tumors. Nature. 2000;406(6797):747-752.

6. 沈坤炜, 李宏为. 乳腺癌诊治进展——多学科与个体化. 中国实用外科杂志, 2011;31(10):891-893.

7. 张钰梓, 陈小松, 沈坤炜. 乳腺癌的治疗困境：肿瘤异质性与个体化治疗. 上海医学. 2011;31(13):917-919.

8. 陈琳, 武正炎. NSABP 乳腺癌临床试验的最新成果和应用前景. 实用临床医学杂志. 2006;10(2):12-17.

9. Paik S, Shak S, Tang G, et al. A multigene assay to predict recurrence of tamoxifen treated, node negative breast cancer. N Engl J Med. 2004;351(27):2817-2826.

10. Mamounas EP, Tang G, Fisher B, et al. Association between the 21-gene recurrence score assay and risk of locoregional recurrence in Node-negative, estrogen receptor-positive breast cancer: results from NSABP B-14 and NSABP B-20. Clin Oncol. 2010;28(10):1677-1683.

11. Albain KS, Barlow WE, Sha KS, et al. Prognostic and predictive Value of the 21-gene recurrence score assay in postmenopausal women with node-positive, estrogen-receptor-positive breast cancer on chemotherapy：A retrospective analysis of a randomized trial. Lancet Oncol. 2010;11(1):55-65.

12. Gianni L, Zanlbetti M, Clar K, et al. Gene expression profiles in paraffin-embedded core biopsy tissue predict response to chemotherapy in women with locally advanced breast cancer. Clin Oncol. 2005;23(29):7265-7277.

13. Van’t Veer LJ, Dai H, Van De Vijver MJ, et al. Gene expression profiling predicts clinical outcome of breast cancer. Nature. 2002;415(6871):530-536.

14. Mook S, Vant’LJ, Rutgers EJ, et al. Individalization of therapy using Mammaprint: from development to the MINDACT Trial. Cancer Genomics Proteomics. 2007;4(3):147-155.

15. Buyse M, Loi S, Van’t Veer L, et al. Validation and clinical utility of a 70-gene prognostic signature for women with node-negative breast cancer. Natl Cancer Inst. 2006;98(17):1183-1192.

16. Mook S, Schmidt MK, Viale G, et al. The 70-gene prognosis-signature predicts disease outcome in breast cancer patients with 1-3 positive lymph nodes in an independent validation study. Breast Cancer Res Treat. 2009, 116(2):295-302.

17. Bueno-de-mesquita JM, Sonke GS, van de Vijver MJ, et al. Additional value and potential use of the 70-gene prognosis signature in node-negative breast cancer in daily clinical practice. Ann Oncol. 2011;22(9):2021-2030.

18. 王波, 李洪胜. 高通量基因检测系统MammaPrint与乳腺癌预后预测. 中国癌症杂志. 2012;22(1):69-73.

19. Sorlie T, Tibshirani R, Parker J, et al. Repeated Observation of breast tumor subtypes in independent gene expression date sets. Proc Natl Acad Sci USA. 2003;100(14):8418-8423.

20. Dowwsett M, Sestak I, Lopez-Knowles E, et al. Comparison of PAM risk of recurrence score with Oncotype DX and IHC4 for predicting risk of distant recurrence after endocrine therapy. J Clin Oncol. 2013;31(22):2783-2790.

21. Filipits M, Rudas M, Jackzs R, et al. A new molecular predictor of distant recurrence in ER-positive, HER2-negative breast cancer adds independent information to conventional clinical risk factor. Clin Cancer Res. 2011;17(18):6012-6020.

22. Dubsky P, Filipits M, Jackzs R, et al. Endopredict improve the prognostic classification derived from common clinical guideline in ER-positive, HER2-negative early breast cancer. Ann Oncol. 2013;24(3):640-647.

23. Desmedt C, Piette F, Loi S, et al. Strong time dependence of the 76-gene prognostic signature for node-negative breast cancer patients in the TRANSBIG multicenter independent validation series. Clin Cancer Res. 2007;13(11):3207-3214.

24. Foekens JA, Atkins D, Zhang Y, et al. Multicenter validation of a gene expression-based prognostic signature in lymph node-negative primary breast cancer. Clin Oncol. 2006;24(11):1665-1667.

25. Goldhirsch A, Wood WC, Gelber RD, et al. Updated international expert consensus on the primary therapy of early breast cancer. Clin Oncol. 2003;21(17):3357-3365.

26. Eifel P, Axelson JA, Costa J, et al. National Institutes of Health Consensus Development Conference Statement: Adjuvant therapy for breast cancer, November 1-3;2000. J Natl Cancer Inst. 2001;93(13):979-989.

27. Liedtke C, Hatzis C, Symmans WF, et al. Genomic grade index is associated with response to chemotherapy in patients with breast cancer. J Clin Oncol. 2009;27(19):3185-3191.

28. Sotiriou C, Wirapati P, Loi S, et al. Gene expression profiling in breast cancer: understanding the molecular basis of histological grade to improve prognosis. J Natl Cancer Inst. 2006;98(4):262-272.

29. Ma XJ, Salunga R, Dahiya S, et al. A five-gene molecular grade index and HOXB13:IL17BR are complementary prognostic factors in early stage breast cancer. Clin Cancer Res. 2008;14(9):2601-2608.

30. Jankowitz RC, Cooper K, Erlander MG, et al. Prognostic utility of the breast cancer index and comparison to Adjuvant! Online in a clinical case series of early breast cancer. Breast Cancer Res. 2011;13(5):98-105.

31. Sgroi DC, Sestak I, Cuzick J, et al. Prediction of late distant recurrence in patients with estrogen-receptor positive breast cancer: a prospective comparison of the breast-cancer index(BCI)assay, 21-gene recurrence score, and IHC4 in the Trans ATAC study population. Lancet Oncol. 2013;14(11):1067-1076.

32. Viviana B, Pietro S, Domenico G. Prognostic impact of triple negative phenotype in conservatively treated breast cancer. Breast J. 2011;17(4):377-382.

33. Prat A, Adamo B, Cheang MC, et al. Molecular characterization of basal-like and non-basal-like triple-negative breast cancer. Oncologist. 2013;18(2):122-133.

34. Prat A, Perou CM. Deconstructing the molecular portraits of breast cancer. Mol Oncol. 2011;5(1):5-23.

35. Lehmann BD, Bauer JA, Chen X, et al. Identification of human triple-negative breast cancer subtypes and preclinical models for selection of targeted therapies. J Clin Invest. 2011;21(7):2750-2767.

36. Teschendorff AE, Miremadi A, Pinder SE, et al. An immune response gene expression module identifies a good prognosis subtype in estrogen receptor negative breast cancer. Genome Biol. 2007;8(8):157-172.

37. Teschendorff AE, Caldas C. A robust classifier of high predictive value to identify good prognosis patients in ERnegative breast cancer. Breast Cancer Res. 2008;10(4):73-83.

38. Desmedt C, Haibe-Kains B, Wirapati P, et al. Biological processes associated with breast cancer clinical outcome depend on the molecular subtypes. Clin Cancer Res. 2008;14(16):5158-5165.

39. Desmedt C, Di Leo A, de Azambuja E, et al. Multifactorial approach to predicting resistance to anthracyclines. J Clin Oncol. 2011;29(12):1578-1586.

40. Yau C, Esserman L, Moore DH, et al. A multigene predictor of metastatic outcome in early stage hormone receptornegative and triple-negative breast cancer. Breast Cancer Res. 2010;12(5):85-99.

41. Kuo WH, Chang YY, Lai LC, et al. Molecular characteristics and metastasis predictor genes of triple-negative breast cancer: a clinical study of triple-negative breast carcinomas. PLoS One. 2012;7(9):e45831.

42. Goldhirsch A, Winer EP, Coates AS, et al. Personalizing the treatment of women with early breast cancer: highlights of the St Gallen international expert consensus on the primary therapy of early breast cancer 2013. Ann Oncol. 2013;24(9):2206-2223.

43. Liu YR, Jiang YZ, Shao ZM, et al. Comprehensive transcriptome analysis identifies novel molecular subtypes andsubtype-specific RNAs of triple-negative breast cancer. Breast Cancer Res. 2016;18(1):18-33.

原文参见：癌症进展. 2016;14(9):847-850,853.