乳癌新辅助治疗后病理完全缓解预测模型的多中心研究，采用多模式数字生物标志物

科学分野:

• 肿瘤学; 放射学; 人工智能

背景:

• 新辅助治疗（NAT）是局部晚期乳腺癌的标准治疗方法。; 无创预测NAT后的病理完全缓解（pCR）是关键的临床挑战。; 精确预测pCR有助于调整治疗策略。

研究 の 目的:

• 开发和验证一个人工智能系统，用于准确预测接受NAT的乳腺癌患者的pCR。; 评估结合临床、放射组学和深度学习特征的多模式方法的有效性。

主な方法:

• 对1,315名乳腺癌患者（临床分期I-III）进行回顾性分析，收集纵向多参数MRI和临床病理数据。; 利用放射组学、3D卷积神经网络技术和统计分析来提取和筛选多模式特征。; 开发并验证了一个整合多模式融合特征的临床-放射组学-深度学习（CRDL）模型。

主要な成果:

• CRDL模型取得了高预测性能，在主要队列中的AUC为0.947。; 外部验证显示在三个独立队列中具有稳健的性能，AUC值分别为0.857、0.883和0.904。; 该模型能有效预测基于多模式数据融合的pCR结果。

結論:

• CRDL模型在利用多模式数据预测NAT后的pCR方面显示出高精度和鲁棒性。; 这种由人工智能驱动的方法为乳腺癌患者的无创pCR评估提供了坚实的基础。; 研究结果为了解NAT后治疗计划的临床决策提供了关键见解。