正文
名良性乳腺结节患者；多中心验证队列包含
5
个队列：北京队列（
209
例乳腺恶性可疑病变患者）、杭州队列（
40
例乳腺癌患者和
13
例良性乳腺结节患者）、外部筛查队列（
119
名无症状健康女性）、新辅助化疗队列（
33
例新辅助化疗后乳腺癌患者）、稳健性队列（
3
例乳腺癌患者和
3
例良性乳腺结节患者）。
图
1.
研究设计流程图
cfFrag
模型对早期乳腺癌和良性结节的鉴别性能优异
cfFrag
模型以片段大小比率（
FSR
）、片段大小分布（
FSD
）和拷贝数变异（
CNV
）为最佳特征构建，用于预测训练集中的乳腺癌（图
2A
）。模型在训练集（烟台队列）和前瞻性验证集（北京队列）中的
AUC
分别为
0.82
和
0.81
（图
2B
），在独立验证队列（杭州队列）中，
AUC
达到
0.95
（图
2C
），显示出对乳腺良恶性结节较好的鉴别能力。
将敏感性阈值设为
85%
，模型在训练集和前瞻性验证集中的特异性分别为
65.7%
和
60.6%
，
表明其在早期乳腺癌预测方面具有较高的准确度
。此外，在无症状健康女性中，敏感性为
85%
时特异性为
94.1%
（图
2D
），展现出模型在早期乳腺癌筛查中的应用潜力。
图
2.cfFrag
模型在早期乳腺癌预测及良性结节鉴别中的性能比较
在乳腺小结节的预测能力方面，片段组学技术优于传统筛查方法
为解决乳腺癌与良性结节患者因年龄不平衡可能带来的偏差，研究进行了倾向评分匹配分析。结果显示，
在年龄匹配的子集中，
cfFrag
模型依然表现出优异的乳腺癌预测能力，训练集（烟台队列）和前瞻性验证集（北京队列）的
AUC
均为
0.82
（图
3A
）。
进一步分析发现，
cfFrag
模型在不同亚组（如结节大小、分期、组织学类型和激素受体状态）中均表现稳定，
尤其在小结节（
≤1cm
）亚组中，前瞻性验证集
AUC
达
0.83
（图
3B
）。此外，相较于传统检查方法（乳腺钼靶和超声的
AUC
分别为
0.64
和
0.80
），
cfFrag
模型性能更优（图
3C
、
D
）。
图
3. cfFrag
模型对乳腺小结节的预测能力优于传统检查方法
