症例固有のトレーニングを使用した動的分類コホートは、乳がんの静的遺伝子発現シグネチャを上回る

乳がんの分子多様性により、すべての乳がんに適用可能な予後マーカーを特定することは不可能です。以前のマルチゲン予後分類器の制限を克服するために、新しい動的予測因子を提案します。単一のユニバーサルトレーニングコホートと新しい症例の予後を予測するための有益な遺伝子の同一のリストを使用する代わりに、各テストケースに対して症例固有の予測因子が開発されました。。再発のない生存を含む臨床注釈を持つ3,534の乳がんからの遺伝子発現データが分析されます。各テストケースについて、分子的に類似したケースのみを含むケース固有のトレーニングサブセットを選択し、ケース固有の予測子が生成されます。この方法は、新しい患者ごとに異なるトレーニングセットと異なる予測因子を生成します。モデルのパフォーマンスは、休暇1-アウト検証で評価され、325の独立したケースでも評価されました。予後識別はすべてのケースで高かった（n = 3,534、HR = 3.68、p = 1.67 E-56）。動的予測因子は、腫瘍型DX（0.64）、ゲノムグレードインデックス（0.61）、またはマンマプリント（0.47）のゲノム代理度よりも高い全体的精度（0.68）を示しました。動的予測因子は、上記の分類器がすべて失敗したトリプルネガティブ癌（n = 427、HR = 3.08、p = 0.0093）でも効果的でした。独立した患者の検証では、同様の分類能力が得られました（HR = 3.57）。Dynamic Classifierは、http：//www.recurrenceonline.com/?q = re_trainingでオンラインで入手できます。要約すると、ケース固有のトレーニングコホートを使用して、パーソナライズされた予後予測を作成する新しい方法を開発しました。動的予測因子は、単一の歴史的トレーニングコホートから開発された静的モデルよりも優れており、トリプルネガティブ癌でもよく予測します。

The molecular diversity of breast cancer makes it impossible to identify prognostic markers that are applicable to all breast cancers. To overcome limitations of previous multigene prognostic classifiers, we propose a new dynamic predictor: instead of using a single universal training cohort and an identical list of informative genes to predict the prognosis of new cases, a case-specific predictor is developed for each test case. Gene expression data from 3,534 breast cancers with clinical annotation including relapse-free survival is analyzed. For each test case, we select a case-specific training subset including only molecularly similar cases and a case-specific predictor is generated. This method yields different training sets and different predictors for each new patient. The model performance was assessed in leave-one-out validation and also in 325 independent cases. Prognostic discrimination was high for all cases (n = 3,534, HR = 3.68, p = 1.67 E-56). The dynamic predictor showed higher overall accuracy (0.68) than genomic surrogates for Oncotype DX (0.64), Genomic Grade Index (0.61) or MammaPrint (0.47). The dynamic predictor was also effective in triple-negative cancers (n = 427, HR = 3.08, p = 0.0093) where the above classifiers all failed. Validation in independent patients yielded similar classification power (HR = 3.57). The dynamic classifier is available online at http://www.recurrenceonline.com/?q=Re_training. In summary, we developed a new method to make personalized prognostic prediction using case-specific training cohorts. The dynamic predictors outperform static models developed from single historical training cohorts and they also predict well in triple-negative cancers.