预测:预测乳腺癌中新辅助化疗的病理完整反应,从常规诊断组织病理学活检与深度学习

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 发现生物标志物的发现.

背景情况:

• 新辅助化疗越来越多地用于侵入性乳腺癌,但预测患者的反应仍然具有挑战性.
• 很大一部分患者没有达到病理完整反应 (pCR),导致潜在的过度治疗.
• 预测性生物标志物对于指导新辅助化疗决策至关重要.

研究的目的:

• 开发和验证基于深度学习的计算生物标志物,用于预测新辅助化疗的pCR.
• 为生物标志物开发利用治疗前乳腺活检的数字病理学H&E图像.
• 评估这些生物标志物在不同乳腺癌亚型中的预测性能.

主要方法:

• 采用两步深度学习方法来分析数字H&E图像.
• 该方法涉及通过检测线粒分裂和细分组织形态 (瘤,淋巴细胞,肌层) 来表征瘤微环境.
• 计算式生物标志物来自细分和检测输出,以捕捉幻灯片级的关系,包括瘤透淋巴细胞 (TILs).

主要成果:

• 该研究评估了3个欧洲中心721名患者的生物标志物,并从公开数据集对126名患者进行了验证.
• 通过ROC曲线下的面积来衡量pCR的预测性能,在整个队列中从0.66到0.88不等.
• 开发的生物标志物在三阴性和光线B乳腺癌中显示出对pCR的显著预测价值.

结论:

• 拟议的计算生物标志物在预测pCR方面表现有前途,但需要进一步的临床评估和改进.
• 深度学习有效地自动化了TIL和线粒分裂量化,突出了它们在新辅助治疗规划中的预测潜力.
• 开发的用于提取基于细分的生物标志物的方法是公开的,用于研究目的.