数字图像分析和机器学习辅助预测三阴性乳腺癌中新辅助化疗反应的预测
Timothy B Fisher1, Geetanjali Saini2, Rekha Ts3
1Georgia State University.
Research square
|August 30, 2023
概括
机器学习通过分析整个幻灯片图像的组织学,准确地预测三阴性乳腺癌 (TNBC) 患者的新辅助化疗反应. 这种方法确定了关键特征,以指导治疗选择以获得更好的结果.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 生物医学成像技术 生物医学成像技术
背景情况:
- 病理完整反应 (pCR) 对接受新辅助化疗 (NAC) 的三阴性乳腺癌 (TNBC) 患者的良好预后至关重要.
- 很大一部分TNBC患者 (60-70%) 没有达到pCR,这突显了预测治疗反应的必要性.
- 瘤微环境 (TME) 在TNBC的NAC反应中的作用仍未得到充分研究.
研究的目的:
- 开发一个机器学习管道来预测TNBC中的NAC响应.
- 识别与pCR或残留疾病 (RD) 相关的组织学特征.
- 为了分析血素和素 (H&E) 染色的整片图像 (WSIs),用于预测标记.
主要方法:
- 为H&E染色的WSIs开发了一个两步的机器学习管道.
- 进行了级组织学分类和患者级NAC反应预测.
- 交叉验证策略和纹理特征用于模型培训和验证.
主要成果:
- 瓦级管道在组织学类别分类中实现了86.72%的准确性.
- 患者层面的管道预测了NAC响应 (pCR与RD) 的准确率为83.53%.
- 特定的组织学特征,包括瘤透的淋巴细胞和巨型癌细胞,与治疗反应有关.
结论:
- ML管道有效地识别了预测TNBC中NAC反应的组织学特征.
- 这种方法有可能指导患者选择NAC治疗,优化治疗策略.
- 强大的预测组织学类的识别可以改善TNBC患者的个性化治疗决策.
