1. 领域背景与文献
文献英文标题：Development and validation of a neoadjuvant chemotherapy pathological complete remission model based on Reg IV expression in breast cancer tissues: a clinical retrospective study；
发表期刊：未公开；影响因子：未公开；研究领域：乳腺癌精准治疗与生物标志物研究
领域共识：乳腺癌是全球女性发病率最高的恶性肿瘤，随着治疗技术进步，其复发率逐步下降，但仍有25-35%的患者进展至晚期，治疗选择有限。新辅助化疗（NACT）已成为乳腺癌的标准治疗方案，可降低复发风险，且实现病理完全缓解（pCR）的患者预后显著优于未达pCR的患者。然而，现有研究显示不同患者对NACT的pCR反应存在显著异质性，缺乏特异性生物标志物预测NACT疗效是当前领域的核心未解决问题。Regenerating islet-derived family member IV（Reg IV）作为钙依赖性凝集素超家族成员，已被证实与结直肠癌、胃癌等多种肿瘤的细胞侵袭、迁移及不良预后相关，但针对Reg IV在乳腺癌中的功能及临床价值研究十分有限，尚未有研究将其作为NACT疗效预测因子进行探索。本研究正是针对这一研究空白，旨在明确Reg IV在乳腺癌组织中的表达特征，并构建基于Reg IV的NACT pCR预测模型，为乳腺癌精准治疗提供新的决策依据。
2. 文献综述解析
作者对领域内现有研究的分类维度主要分为两个方向：一是按肿瘤类型梳理Reg IV的功能研究，二是按预测标志物类型总结NACT pCR的现有预测体系。现有研究中，NACT pCR的常规预测因子包括临床分期、HER-2表达、雌激素受体（ER）状态等，但这些指标无法完全解释患者间的疗效异质性，预测准确性仍有提升空间；Reg IV在消化系统、呼吸系统等多种肿瘤中被证实可促进肿瘤细胞侵袭迁移，通过激活表皮生长因子受体（EGFR）通路加速细胞增殖、抑制凋亡，但针对乳腺癌的研究仅局限于小样本表达分析，未涉及其与NACT疗效的关联，更缺乏将其纳入预测模型的探索。本研究的创新价值在于首次将Reg IV作为核心变量，结合临床病理特征构建多变量预测模型，填补了Reg IV在乳腺癌NACT疗效预测领域的研究空白，通过多模型对比验证提升了预测体系的可靠性与临床适用性。
3. 研究思路总结与详细解析
本研究的核心目标是构建并验证基于Reg IV表达的乳腺癌NACT pCR预测模型，核心科学问题是明确Reg IV表达与乳腺癌NACT pCR的相关性及作为预测因子的临床价值，技术路线遵循“临床样本收集→生物标志物检测→变量筛选→多模型构建→验证与优化→临床价值评估”的闭环逻辑。
3.1 临床样本收集与基线特征分析
实验目的是获取符合研究标准的乳腺癌NACT患者样本，确保训练集与验证集的基线特征具有可比性。方法细节为回顾性收集连云港市第一人民医院2019年9月至2021年12月期间104例接受NACT的浸润性乳腺癌患者的福尔马林固定石蜡包埋标本，严格遵循入组与排除标准筛选病例，将患者按7:3比例随机分为训练集与验证集，对比两组临床病理特征。结果解读显示，104例患者中Reg IV阳性表达率为57.5%（60/104），不同分子亚型的Reg IV表达率存在差异，其中HER-2阳性型为71.4%、三阴性乳腺癌为61.3%、luminal型为45.8%；Reg IV阳性患者的NACT pCR率为48.3%（29/60），显著高于Reg IV阴性患者的20%（8/40）（rho=0.311，P=0.001304）；训练集与验证集的整体基线特征可比，无显著差异。产品关联：文献未提及具体实验产品，领域常规使用福尔马林固定液、石蜡包埋试剂盒等样本处理试剂。
3.2 Reg IV蛋白表达检测与评估
实验目的是精准检测乳腺癌组织中Reg IV的表达水平，并分析其与临床病理特征及NACT疗效的相关性。方法细节为采用免疫组化EnVision两步法检测Reg IV蛋白表达，标本经3.7%中性福尔马林固定、脱水、包埋后制备4μm切片，依次进行烤片、脱蜡水化、内源性过氧化物酶阻断、抗原修复，经羊血清封闭后孵育Reg IV一抗（1:100稀释），再孵育二抗，最后用二氨基联苯胺（DAB）显色、苏木精复染；采用染色强度与阳性细胞百分比的乘积进行评分，≤3分为阴性，>3分为阳性，由两位高年资病理医师双盲评估结果。结果解读显示，Reg IV表达与乳腺癌分子亚型、NACT pCR状态显著相关，Reg IV阳性患者的pCR率显著更高，提示Reg IV可作为NACT疗效的潜在预测因子。
产品关联：文献未提及具体实验产品，领域常规使用Reg IV特异性一抗、免疫组化试剂盒（含DAB显色液、羊血清封闭液等）。
3.3 变量筛选与多模型构建
实验目的是筛选与NACT pCR相关的关键变量，构建多种预测模型并比较其性能。方法细节为采用R软件进行统计分析，通过单因素与多因素逻辑回归、随机森林、Xgboost三种方法进行变量筛选，绘制受试者工作特征曲线（ROC）、校准曲线评估模型的预测准确性与稳定性，通过方差膨胀因子（VIF）评估变量间的共线性。结果解读显示，单因素逻辑回归筛选出包括Reg IV在内的多个与pCR相关的变量，构建的逻辑回归模型（Lm）训练集ROC曲线下面积（AUC）为0.822（0.711-0.933），验证集AUC为0.909（0.812-1.00），校准曲线显示模型稳定性良好；随机森林模型训练集AUC为0.702，验证集AUC为0.833，筛选出HER-2、ER、分子分型、治疗方案、Reg IV五个核心变量构建模型1，其训练集AUC为0.829（0.721-0.937），验证集AUC为0.881（0.758-1.00）；Xgboost模型训练集AUC达0.980但验证集仅为0.603，存在过拟合，通过SHAP方法筛选出HER-2、ER、T分期、Reg IV、治疗方案五个变量构建模型2，其训练集AUC为0.837（0.734-0.941），验证集AUC为0.897（0.775-1.00），校准曲线显示模型在训练集与验证集均具有良好的预测一致性。
产品关联：文献未提及具体实验产品，领域常规使用R软件（含glm、randomForest、xgboost等分析包）进行统计建模。
3.4 最优模型验证与临床价值评估
实验目的是确定最优预测模型，并验证其临床应用价值。方法细节为通过净重新分类指数（NRI）、综合判别改善指数（IDI）对三个模型进行两两比较，对最优模型绘制列线图实现可视化，并通过决策曲线分析（DCA）、临床影响曲线（CIC）评估其临床获益。结果解读显示，在训练集中三个模型的NRI与IDI比较无统计学差异，但在验证集中，模型2相比逻辑回归模型（Lm）的NRI为0.3333（0.0078-0.6589，P=0.04477），IDI为0.2671（0.1004-0.4338，P=0.00168），提示模型2的预测性能显著更优；基于模型2绘制的列线图可直观展示各变量的评分与pCR概率的对应关系，DCA与CIC曲线显示模型在较广的阈值范围内均能为患者带来临床获益，具有良好的临床决策辅助价值。
产品关联：文献未提及具体实验产品，领域常规使用R软件绘制列线图、DCA曲线及CIC曲线。
4. Biomarker研究及发现成果解析
Biomarker定位
本研究中的核心生物标志物为Reg IV蛋白，其筛选与验证逻辑为：首先通过临床样本免疫组化检测明确Reg IV在乳腺癌组织中的表达特征，分析其与NACT pCR的相关性；随后将Reg IV纳入多变量模型，通过三种不同建模方法筛选关键变量，最终在最优模型中保留Reg IV作为核心预测因子，完成从表达分析到模型验证的完整验证链条。
研究过程详述
Reg IV的检测来源为104例乳腺癌患者NACT前的穿刺活检福尔马林固定石蜡包埋标本，采用免疫组化EnVision两步法进行表达检测，结果评估采用染色强度与阳性细胞百分比的乘积评分法。特异性方面，Reg IV在不同乳腺癌分子亚型中的表达率存在差异，HER-2阳性型表达率最高（71.4%，n=35），luminal型最低（45.8%，n=48）；敏感性方面，Reg IV阳性患者的NACT pCR率为48.3%（n=60，P=0.001304），显著高于Reg IV阴性患者的20%（n=40），提示Reg IV对pCR具有一定的区分能力。
核心成果提炼
本研究首次明确Reg IV蛋白表达与乳腺癌NACT pCR显著相关，Reg IV阳性患者更易实现pCR；将Reg IV纳入多变量预测模型后，模型2的验证集AUC达0.897（0.775-1.00），相比传统模型具有更优的预测性能；研究同时揭示Reg IV在不同乳腺癌分子亚型中的表达差异，为后续探索Reg IV的功能机制提供了方向。该生物标志物的纳入提升了NACT pCR预测模型的准确性与临床适用性，为乳腺癌患者的个体化治疗决策提供了新的参考指标。