肾癌预后模型的临床风险分层应用

肾癌预后模型的临床风险分层应用演讲人2026-01-12目录01.肾癌预后模型的临床风险分层应用02.肾癌预后模型的发展与理论基础03.主流预后模型的类型与特征04.临床风险分层的具体应用场景05.应用的挑战与未来方向06.总结与展望01肾癌预后模型的临床风险分层应用ONE肾癌预后模型的临床风险分层应用作为泌尿外科临床医师，我曾在门诊遇到两位相似的肾癌患者：均为60岁男性、体检偶然发现单侧肾癌、肿瘤直径6cm、CT提示肾癌可能。但术后病理提示，一位为pT1bN0M0FuhrmanII级，术后5年无复发；另一位为pT2aN1M0FuhrmanIII级，术后2年出现肺转移。这种“同病不同预后”的现象，正是肾癌临床诊疗的核心痛点——肿瘤的异质性导致传统临床病理指标难以精准预测个体化风险。而肾癌预后模型的临床风险分层，正是破解这一难题的关键工具：它通过整合多维度数据，将患者划分为不同风险层级，为治疗决策、随访策略、预后沟通提供科学依据。本文将从理论基础、模型类型、临床应用、挑战与展望五个维度，系统阐述肾癌预后模型的临床风险分层应用。02肾癌预后模型的发展与理论基础ONE1历史演进：从经验判断到数据驱动肾癌预后模型的发展，本质是医学从“经验医学”向“精准医学”转型的缩影。20世纪前，肾癌预后判断主要依赖医师临床经验，如肿瘤大小、有无血尿等症状，但主观性强、误差大。20世纪中期，随着影像学和病理学发展，TNM分期系统（如AJCC/UICC分期）成为核心工具，其通过肿瘤浸润深度（T）、淋巴结转移（N）、远处转移（M）进行分期，奠定了预后分层的“解剖学基础”。但TNM分期仅反映肿瘤局部进展和播散状态，未涵盖肿瘤生物学行为（如分化程度）和患者自身状态（如年龄、并发症），对预后的预测精度有限（如pT1期患者5年生存率波动于80%-95%）。进入21世纪，随着分子生物学和大数据技术的进步，预后模型开始整合“临床-病理-分子”多维数据。2001年，MayoClinic提出的“SSIGN模型”（Stage,Size,Grade,Necrosis）首次将肿瘤坏死纳入指标，1历史演进：从经验判断到数据驱动使pT1期患者风险分层精度提升30%；2010年后，基因表达谱（如molecularclassifier）、液体活检（如ctDNA）等分子标志物的加入，进一步推动模型向“个体化”方向发展。如今，预后模型已从“单一指标”发展为“多组学整合”的复杂系统，成为肾癌精准诊疗的“导航仪”。2理论基础：生存分析与风险预测的数学逻辑肾癌预后模型的核心是“风险预测”，其理论基础源于生存分析（SurvivalAnalysis）。生存分析是研究“事件发生时间”的统计学方法，在肾癌研究中，“事件”通常指“复发”“转移”或“死亡”。其核心指标包括：-中位生存时间（MedianSurvivalTime）：50%患者发生事件的时间，如晚期肾癌患者中位总生存期（OS）约27个月（IMDCintermediate-risk组）。-生存率（SurvivalRate）：如3年无复发生存率（RFS）、5年总生存率（OS），是预后分层最直观的终点指标。-风险比（HazardRatio,HR）：衡量某因素对“事件发生风险”的影响程度，HR>1表示该因素增加风险（如FuhrmanIV级vsI级，HR=2.5）。2理论基础：生存分析与风险预测的数学逻辑模型构建方法则从传统的“参数模型”（如Cox比例风险模型）发展为“非参数/半参数模型”（如随机森林、XGBoost）。Cox模型是预后研究的“基石”，其假设“风险比与时间无关”，通过多因素分析筛选独立预后因素（如年龄、肿瘤大小、分期等），并构建风险评分公式（如SSIGN模型评分=1×分期+1×Size（cm）+2×Grade+2×坏死）。而机器学习算法则通过处理高维数据（如基因表达谱、影像组学特征），捕捉传统方法难以识别的非线性关系和交互作用，提升预测精度（如某基于深度学习的模型预测晚期肾癌OS的C指数达0.85）。3核心价值：从“群体治疗”到“个体决策”的跨越肾癌预后模型的核心价值，在于实现“风险分层”与“治疗决策”的精准匹配。传统诊疗中，“同病同治”导致部分低风险患者接受过度治疗（如早期肾癌术后不必要的靶向治疗），而高风险患者则治疗不足（如晚期患者未接受免疫联合治疗）。预后模型通过将患者划分为“低危-中危-高危”等层级，为临床提供“量体裁衣”的决策依据：-低危患者：避免过度治疗，减少医疗负担（如T1a期肾癌术后主动监测而非立即手术）；-中危患者：个体化选择辅助治疗（如SSIGN评分≥4分的高危早期患者接受阿西替尼辅助治疗）；-高危患者：强化治疗强度（如晚期IMDCpoor-risk患者选择阿西替尼+卡博替尼联合治疗）。3核心价值：从“群体治疗”到“个体决策”的跨越此外，预后模型还能优化医疗资源配置（如将高危患者优先纳入临床试验）、改善医患沟通（如用数据化语言解释预后，缓解患者焦虑），最终实现“最大化获益、最小化伤害”的精准医疗目标。03主流预后模型的类型与特征ONE1临床病理模型：基于传统指标的“实用工具”临床病理模型是临床应用最广泛的预后模型，其优势在于数据易获取（来自常规体检、影像学和病理检查）、计算简单，适合基层医院推广。代表性模型包括：2.1.1SSIGN模型（Stage,Size,Grade,Necrosis）-开发背景：2001年由MayoClinic基于876例肾透明细胞癌（ccRCC）患者数据开发，是首个整合肿瘤坏死的预后模型。-核心指标：TNM分期（T1-T4）、肿瘤最大径（cm）、Fuhrman分级（I-IV）、有无肿瘤坏死（有=1，无=0）。-评分公式：风险评分=1×分期（T1=1,T2=2,T3=3,T4=4）+1×Size（cm）+2×Grade（I=1,II=2,III=3,IV=4）+2×坏死（有=1，无=0）。1临床病理模型：基于传统指标的“实用工具”-分层标准：低危（0-2分）、中危（3-4分）、高危（≥5分），对应5年癌症特异性生存率（CSS）分别为92%、67%、32%。-临床适用性：适用于早期肾癌术后复发风险预测，被NCCN指南推荐为辅助治疗决策参考。2.1.2UISS模型（UniversityofCaliforniaIntegratedStagingSystem）-开发背景：2002年由加州大学旧金山分校开发，整合TNM分期和MSKCC评分（MemorialSloanKetteringCancerCenterScore，基于年龄、Karnofsky评分、LDH、校正钙、血红蛋白）。-核心指标：TNM分期（I-IV）、MSKCC风险组（低危/中危/高危）。1临床病理模型：基于传统指标的“实用工具”-分层标准：低危（I期+MSKCC低危）、中危（II期+MSKCC低危或I期+MSKCC中危）、高危（III/IV期+任意MSKCC组或任意期+MSKCC高危），对应5年CSS分别为91%、67%、32%。-临床适用性：同时适用于早期和晚期肾癌，尤其对晚期患者一线治疗方案选择有指导价值。1临床病理模型：基于传统指标的“实用工具”1.3MayoClinicSSIGN模型的改良版-更新点：2015年将“肉瘤样变”纳入指标（肉瘤样变≥50%=2分，<50%=1分，无=0），使高危患者风险分层更精准（5年CSS从32%降至25%）。-局限性：未纳入淋巴结转移状态（N分期）和远处转移（M分期）的细分，对晚期患者的预测精度不足。2分子标志物模型：揭示肿瘤生物学行为的“深度解码”分子标志物模型通过检测肿瘤组织或血液中的分子特征，反映肿瘤的生物学侵袭性，弥补临床病理模型的“生物学盲区”。代表性模型包括：2.2.1基因表达谱模型（molecularclassifier）-开发背景：2009年NatureMedicine发表的“肾癌分子分型”将ccRCC分为ccA（促血管生成型，高表达VEGF）和ccB（间质转化型，高表达MET），两者对靶向治疗的反应和预后差异显著（ccA组OS38个月vsccB组22个月）。-技术平台：基于RNA测序或基因芯片，检测数百个基因的表达（如CA9、CD10、VHL等）。2分子标志物模型：揭示肿瘤生物学行为的“深度解码”-临床应用：用于预测靶向治疗反应（如ccA组对VEGF抑制剂更敏感）和免疫治疗反应（如高TMB肿瘤对PD-1抑制剂更有效）。-局限性：需手术或活检获取肿瘤组织，操作复杂、成本高，难以常规开展。2分子标志物模型：揭示肿瘤生物学行为的“深度解码”2.2液体活检模型（ctDNA、microRNA等）-ctDNA模型：循环肿瘤DNA（ctDNA）是肿瘤释放到血液中的DNA片段，其突变负荷与肿瘤负荷和预后相关。2021年JournalofClinicalOncology研究显示，晚期肾癌患者术后ctDNA阳性者，2年复发率显著高于阴性者（65%vs12%），且ctDNA水平变化早于影像学复发。-microRNA模型：如miR-210、miR-221等microRNA通过调控肿瘤血管生成和凋亡，与肾癌预后相关。一项纳入10项Meta分析的研究显示，高表达miR-210的患者死亡风险增加2.1倍（HR=2.1,95%CI1.5-2.9）。-优势：无创、可重复，适用于动态监测治疗反应和复发风险，被称为“液体活检的预后价值”。2分子标志物模型：揭示肿瘤生物学行为的“深度解码”2.3蛋白质标志物模型（如HIF-2α、VEGF）-HIF-2α：缺氧诱导因子-2α是ccRCC的核心驱动因子（VHL基因失导导致HIF-2α积累），其高表达与肿瘤进展和耐药相关。2022年LancetOncology研究显示，HIF-2α抑制剂Belzutifan对HIF-2α高表达晚期肾癌的客观缓解率（ORR）达24%。-VEGF：血管内皮生长因子是肾癌靶向治疗的核心靶点，血清VEGF水平与肿瘤负荷和预后相关（高VEGF患者OS短于低VEGF患者，HR=1.8）。3整合多组学模型：临床与分子数据的“融合决策”单一组学模型存在“维度局限”，而整合多组学模型（临床+病理+分子+影像）通过数据融合，实现“解剖-生物学-功能”的全维度评估，成为当前预后模型的发展方向。代表性模型包括：3整合多组学模型：临床与分子数据的“融合决策”3.1国际肾癌数据库联盟（IMDC）模型1-开发背景：2010年基于全球6个中心的961例晚期肾癌患者数据开发，是目前晚期肾癌一线治疗风险分层的“金标准”。2-核心指标：6个临床指标：①Karnofsky评分<80%；②从诊断到治疗<1年；③血红蛋白低于下限；④校正钙高于上限；⑤中性粒细胞高于上限；⑥血小板高于上限。3-分层标准：低危（0分）、中危（1-2分）、高危（≥3分），对应中位OS分别为43个月、22个月、8个月。4-整合优势：同时包含“肿瘤负荷指标”（如钙、血小板）和“患者状态指标”（如KPS、血红蛋白），全面反映肿瘤生物学特性和患者耐受性。3整合多组学模型：临床与分子数据的“融合决策”3.2影像组学模型（Radiomics）-技术原理：通过CT/MRI影像高通量提取纹理特征（如灰度共生矩阵、小波变换），反映肿瘤内部的异质性（如坏死、出血、血管分布）。-代表研究：2023年EuropeanUrology报道，基于术前增强CT的影像组学模型预测肾癌微血管侵犯（MVI）的AUC达0.89，显著优于传统临床病理指标（AUC=0.72），且MVI阳性患者术后复发风险增加3.2倍。-临床价值：无创、术前即可评估风险，为手术方式选择（如肾部分切除术vs根治术）提供依据。3整合多组学模型：临床与分子数据的“融合决策”3.3多组学整合模型（如“临床-影像-基因”联合模型）-构建方法：通过机器学习算法（如LASSO回归、随机森林）整合临床数据（如IMDC指标）、影像特征（如纹理参数）和分子数据（如ctDNA突变负荷），构建联合风险评分。-性能优势：2022年NatureCommunications研究显示，联合模型的C指数（0.91）显著高于单一模型（临床模型0.76、影像模型0.83、分子模型0.85），且能识别“临床低危但生物学高危”患者（占比12%），这类患者传统治疗可能不足，需强化干预。4模型验证与比较：从“实验室”到“临床”的“质检关卡”预后模型需通过严格验证才能应用于临床，验证过程包括“内部验证”和“外部验证”：-内部验证：在建模数据集中通过“bootstrap重抽样”或“交叉验证”评估模型性能，避免“过拟合”（模型仅适用于建模数据，泛化能力差）。-外部验证：在独立队列（如不同地区、不同人群的数据）中测试模型，验证其普适性。例如，SSIGN模型在德国多中心队列外部验证中，C指数为0.82，与建模队列（0.84）接近，证明其泛化能力良好。模型性能评估指标：-区分度（Discrimination）：模型区分“事件发生”与“未发生”的能力，常用C指数（C-index）衡量（0.5为随机猜测，1.0为完美预测，>0.7为临床可接受）。4模型验证与比较：从“实验室”到“临床”的“质检关卡”-校准度（Calibration）：模型预测概率与实际概率的一致性，常用校准曲线（CalibrationCurve）和Hosmer-Lemeshow检验评估（P>0.05表示校准度良好）。主流模型性能比较（以晚期肾癌OS预测为例）：-IMDC模型：C指数0.76，校准度良好（P=0.21），优势在于指标易获取，适合临床常规使用；-分子分型模型：C指数0.82，但需基因检测，成本高；-影像组学模型：C指数0.79，无创但依赖影像质量和算法稳定性；-多组学联合模型：C指数0.91，性能最优但临床推广复杂。04临床风险分层的具体应用场景ONE1早期肾癌：术后辅助治疗与随访策略的“精准导航”早期肾癌（T1-3N0M0）术后5年复发率约20%-30%，其中高危患者（如pT3期、肉瘤样变、淋巴结微转移）复发风险可达50%以上。预后模型通过分层指导辅助治疗和随访，改善患者生存结局。1早期肾癌：术后辅助治疗与随访策略的“精准导航”1.1辅助治疗决策：从“经验推荐”到“分层干预”传统上，早期肾癌术后辅助治疗仅推荐“高危患者接受靶向药物（如舒尼替尼）”，但SELECT研究显示，舒尼替尼辅助治疗虽延长无进展生存期（PFS）1.2年，但3-4级不良反应发生率达47%，部分低危患者可能“得不偿失”。预后模型的应用则实现了“精准筛选”：-SSIGN模型≥4分的高危患者：5年复发风险>40%，阿西替尼辅助治疗（ACE研究）显示，中位PFS延长至6.8年（安慰剂组3.8年），死亡风险降低37%；-SSIGN模型0-2分的低危患者：5年复发风险<10%，主动监测（ActiveSurveillance）即可，避免靶向治疗的毒副作用。1早期肾癌：术后辅助治疗与随访策略的“精准导航”1.1辅助治疗决策：从“经验推荐”到“分层干预”案例分享：我曾接诊一位58岁女性，左肾癌7cm，pT2bN0M0FuhrmanIII级，SSIGN评分5分（高危）。术后我们讨论后给予阿西替尼辅助治疗（5mgbid），随访3年无复发。若按传统经验，可能仅建议“密切随访”，而模型指导下的干预，显著降低了其复发风险。1早期肾癌：术后辅助治疗与随访策略的“精准导航”1.2随访监测策略：从“固定方案”到“动态调整”早期肾癌术后随访通常采用“每3-6个月CT/超声”的固定方案，但高危患者需更密集监测，低危患者则可减少检查次数。预后模型为个体化随访提供依据：-低危患者（如SSIGN0-2分）：术后1-2年每6个月CT检查，2年后每年1次，减少辐射暴露和医疗成本；-中危患者（SSIGN3-4分）：术后每3-4个月CT+胸片，持续5年；-高危患者（SSIGN≥5分）：术后每2-3个月增强CT+骨扫描，同时监测血清肌酐、LDH等指标，早期发现复发迹象。2晚期肾癌：一线治疗方案选择的“分层依据”晚期肾癌不可切除或转移性患者（mRCC）的一线治疗选择复杂，包括靶向药物（TKI、mTOR抑制剂）、免疫治疗（PD-1/PD-L1抑制剂、CTLA-4抑制剂）及联合方案。预后模型通过IMDC风险分层，指导治疗决策和方案选择。2晚期肾癌：一线治疗方案选择的“分层依据”2.1风险分层与治疗方案选择-阿替利珠单抗+贝伐珠单抗（IMmotion150研究）中位PFS11.2个月，ORR46%，3级不良反应发生率仅33%；05-免疫联合：帕博利珠单抗+阿昔替尼（KEYNOTE-426研究）中位OS47.4个月，ORR59.3%，显著优于舒尼替尼单药。03IMDC低危患者：肿瘤负荷低、患者状态好，适合“强效靶向治疗”或“免疫联合治疗”：01IMDC中危患者：平衡疗效与安全性，推荐“免疫联合靶向”：04-靶向治疗：舒尼替尼（推荐剂量50mgqd，4周停2周）中位PFS11个月，ORR47%（CARMENA研究）；022晚期肾癌：一线治疗方案选择的“分层依据”2.1风险分层与治疗方案选择03-卡博替尼+阿西替尼（CLEAR研究）中位OS37.7个月，高危亚组OS达30.3个月；02IMDC高危患者：肿瘤侵袭性强、生存期短，需“强效联合方案快速控制肿瘤”：01-仑伐替尼+帕博利珠单抗（CLEAR研究）中位PFS23.9个月，ORR71%，是目前中危患者最高效的一线方案之一。04-贝伐珠单抗+依维莫司（METEOR研究）中位OS25.8个月，对既往靶向治疗失败的高危患者仍有效。2晚期肾癌：一线治疗方案选择的“分层依据”2.2分子标志物指导的“二次分层”对于IMDC中危患者，分子标志物可进一步细化风险：-分子分型ccA型（高VEGF表达）：优先选择抗VEGF联合方案（如帕博利珠单抗+仑伐替尼）；-分子分型ccB型（高MET表达）：选择MET抑制剂联合方案（如卡博替尼+阿西替尼）；-TMB高表达（>10mut/Mb）：优先选择免疫单药（如纳武利尤单抗）或免疫联合（如纳武利尤单抗+伊匹木单抗）。3晚期肾癌：疗效评估与治疗转换的“动态监测”晚期肾癌治疗中，约30%-40%患者会出现原发性耐药（一线治疗无效）或继发性耐药（治疗有效后进展），预后模型通过动态监测风险变化，指导治疗时机和方案转换。3晚期肾癌：疗效评估与治疗转换的“动态监测”3.1疗效评估的“动态分层”传统疗效评估依赖RECIST标准（基于肿瘤直径变化），但部分患者（如肿瘤坏死、免疫治疗假性进展）仅凭影像学难以准确判断。预后模型结合“治疗中风险评分变化”，实现更精准的疗效评估：-IMDC评分改善：如中危患者转为低危，提示治疗有效，可继续原方案；-IMDC评分恶化：如低危转为高危，提示肿瘤进展或耐药，需提前更换治疗方案；-ctDNA动态监测：治疗中ctDNA水平下降>50%，提示治疗有效；持续阳性或升高，则提示耐药风险增加（如CheckMate9ER研究显示，ctDNA阳性患者ORR仅28%，阴性者达58%）。3晚期肾癌：疗效评估与治疗转换的“动态监测”3.2治疗转换的“时机决策”对于IMDC高危患者，一线治疗失败后需尽快转换二线治疗：-一线TKI失败后，推荐阿西替尼（AXIS研究，ORR22%）或卡博替尼（METEOR研究，ORR21%）；-一线免疫联合失败后，推荐TKI+mTOR抑制剂（如依维莫司+仑伐替尼，ORR18%）；-ctDNA提示特定突变（如VHL、PBRM1）时，可选择靶向药物（如VHL突变患者对HIF-2α抑制剂Belzutifan更敏感）。4临床试验入组：患者筛选的“精准匹配”预后模型不仅指导临床实践，还能优化临床试验设计，通过“风险分层入组”提高试验效率和成功率。例如：-早期肾癌辅助治疗试验：仅纳入SSIGN≥4分的高危患者，避免低危患者“稀释”治疗效应，减少样本量；-晚期肾癌一线治疗试验：将IMDC低危、中危、高危患者分层入组，评估不同风险组对联合方案的反应差异（如KEYNOTE-426试验中，低危患者OS未达到，高危患者OS为37.7个月）；-免疫治疗生物标志物试验：仅纳入TMB高表达或PD-L1阳性患者，验证免疫治疗的有效性（如CheckMate214试验中，PD-L1≥1%患者免疫联合的ORR达46%）。5医患沟通：预后告知的“数据化语言”传统预后告知常使用“可能”“大概”等模糊语言，导致患者焦虑或误解。预后模型通过“数据化分层”，将抽象预后转化为具体风险，帮助患者理解病情、参与决策。例如：-对早期肾癌低危患者：“您的SSIGN评分为1分，5年复发风险<10%，术后每6个月复查一次即可，不用太担心”；-对晚期肾癌中危患者：“您的IMDC评分为1分，中位生存期约22个月，但仑伐替尼+帕博利珠单抗治疗可使ORR提升至71%，我们一起努力争取更好效果”。这种“数据化沟通”不仅能缓解患者焦虑，还能提高治疗依从性——一项纳入200例肾癌患者的研究显示，接受模型分层预后告知的患者，治疗依从性提高35%。321405应用的挑战与未来方向ONE应用的挑战与未来方向4.1数据异质性与模型泛化能力：从“单中心”到“多中心”的“整合之路”当前多数预后模型基于单中心数据开发，存在“人群选择偏倚”（如仅纳入高加索人群、排除老年患者），导致模型在不同地区、不同种族中泛化能力下降。例如，IMDC模型在亚洲人群中的C指数（0.72）低于西方人群（0.78），可能与亚洲肾癌患者肉瘤样变比例较低（5%vs15%）有关。解决方向：-建立多中心数据库：如国际肾癌联盟（InternationalKidneyCancerConsortium）整合全球30余个中心的10万例肾癌数据，开发“种族校正”的风险评分；-真实世界数据（RWD）应用：利用电子病历（EMR）、医保数据库等真实世界数据，验证模型在不同医疗环境下的适用性，弥补临床试验的“理想化偏倚”。应用的挑战与未来方向4.2多组学数据的整合与解读困难：从“数据堆砌”到“临床转化”的“价值提炼”多组学模型虽性能优异，但面临“数据维度灾难”（如基因表达谱包含2万多个基因）和“生物学意义不明确”的问题。例如，某影像组学模型提取的1000个纹理特征中，仅15%与肾癌预后相关，其余为“噪声特征”。解决方向：-人工智能辅助特征筛选：通过深度学习算法（如卷积神经网络CNN、自编码器AE）自动提取与预后相关的特征，减少人工筛选的主观性；-多组学数据融合算法：基于“矩阵分解”“图神经网络”等方法，整合临床、影像、分子数据，构建“可解释的多组学模型”（如SHAP值解释每个特征对风险的贡献）。应用的挑战与未来方向4.3临床转化中的落地障碍：从“实验室”到“病床旁”的“最后一公里”尽管预后模型在研究中表现出色，但临床应用率仍不足30%（2023年NatureReviewsUrology数据），主要障碍包括：-临床医师认知不足：部分医师对模型原理、适用场景不熟悉，仍依赖“经验判断”；-电子病历系统集成困难：模型需对接医院HIS、PACS等系统，但不同系统数据标准不统一，导致数据提取困难；-患者接受度差异：老年患者对“模型决策”存在疑虑，更信任医师经验。解决方向：-临床医师培训：通过CME课程、临床指南更新，提升模型应用能力（如NCCN指南将SSIGN、IMDC模型列为“1类证据推荐”）；应用的挑战与未来方向-开发智能决策支持系统（DSS）：将模型嵌入电子病历系统，自动提取患者数据并生成风险报告（如“患者IMDC中危，推荐仑伐替尼+帕博利珠单抗”），减少医师操作负担；-医患共同决策（SDM）模式：向患者展示模型预测结果和不同治疗方案的利弊，尊重患者知情权和选择权，提高接受度。4.4人工智能与实时动态预测：从“静态分层”到“动态导航”的“未来趋势”传统预后模型多为“静态模型”（基于治疗前数据），而肾癌肿瘤负荷和患者状态随治疗动态变化，需“实时动态模型”指导治疗调整。未来方向：应用的挑战与未来方向-实时风险监测系统：通过可穿戴设备（如智能手环监测生命体征）、液体活检（每月检测ctDNA）动态采集数据，AI算法实时更新风险评分（如治疗后ctDNA下降50%，风险分层从中危转为低危，提示减量治疗）；-治疗反应预测模型：基于治疗早期