一个层次的自我注意引导的深度学习框架,用于预测乳腺癌对化疗的反应,使用治疗前瘤活检

科学领域:

• 在瘤学中计算病理学和人工智能.
• 在组织病理学图像分析中的深度学习应用.
• 发现生物标志物用于预测癌症治疗反应.

背景情况:

• 对新辅助化疗 (NAC) 的病理完整反应 (pCR) 对于改善乳腺癌 (BC) 患者的存活率至关重要.
• 目前的pCR率低于30%,根据BC亚型而异,突出显示了早期反应预测的必要性.
• 及时预测NAC反应可以实现治疗修改,提高患者的治疗结果和生存率.

研究的目的:

• 开发和验证一个新的层次自我注意引导深度学习框架.
• 为了预测乳腺癌患者的NAC反应,利用治疗前的数字组织病理活检图像.
• 建立一个人工智能驱动的工具,用于早期评估化疗疗效.

主要方法:

• 从207名接受NAC治疗的乳腺癌患者中利用数字化H&E染色核心针活检.
• 开发了一个带有补丁级和瘤级处理模块的层次深度学习框架,结合了卷积层和变压器自我注意.
• 在训练组 (144名患者) 上使用五倍交叉验证,并在独立测试组 (63名患者) 上进行评估.

主要成果:

• 提出的等级框架在预测独立测试集上的pCR方面实现了0.89的AUC和90%的F1得分.
• 组件分析表明,完整的层次模型表现优于简单的版本 (AUC:0.79-0.84,F1分数:86%-89%).
• 证明了该框架在治疗完成之前准确预测病理反应的有效性.

结论:

• 开发的层次深度学习方法表明,对预测乳腺癌对NAC的反应有很大的潜力.
• 使用这种AI框架的数字病理图像分析可以准确地评估治疗前瘤活检反应.
• 这种方法为乳腺癌管理中的个性化治疗策略提供了一个有前途的工具.