多中心研究预测乳腺癌淋巴结状况从核心针活检样本使用多模式和多实例深度学习.

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 淋巴结转移是乳腺癌的关键预后因素.
• 精确预测淋巴结状况对于治疗规划至关重要.
• 当前的预测方法在准确性和范围上有局限性.

研究的目的:

• 开发和验证用于预测乳腺癌淋巴结转移的深度学习模型.
• 整合临床病理学数据与数字整体幻灯片图像 (WSI) 进行增强的预测.
• 将综合模型的性能与使用单个数据类型的模型进行比较.

主要方法:

• 在多个医疗中心收集了3891名乳腺癌患者的数据.
• 开发了一种多模式和多实例 (MMMI) 深度学习模型.
• 综合临床病理特征和WSI特征用于预测.
• 用曲线下的面积 (AUC) 验证了模型的性能,用于各种淋巴结转移分类.

主要成果:

• 与临床病理特征 (0.770) 和单独WSI (0.709) 相比,MMMI模型实现了预测淋巴结转移的最高AUC (0.809).
• 在所有四种淋巴结状况分类 (无转移,ITC,微转移,大转移) 中,MMMI表现出卓越的准确性.
• 该模型显示了三阴性乳腺癌 (TNBC) 的增强预测准确性,并且在外部数据集上得到了良好验证.

结论:

• 开发的MMMI深度学习模型为预测乳腺癌淋巴结转移提供了高度准确的方法.
• 整合多模式数据显著提高了预测性能,而不是单模式模型.
• 这种人工智能驱动的工具有可能有助于乳腺癌管理的临床决策.