图像-蛋白质分析用于预测乳腺癌患者新辅助化疗反应

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 基因组学就是基因组学.
• 人工智能的人工智能

背景情况:

• 在乳腺癌中优化患者选择新辅助化疗至关重要.
• 医学成像特征可以预测治疗反应,但它们的生物学含义尚不清楚.
• 目前的非侵入性成像标记因解释性差而缺乏临床实用性.

研究的目的:

• 从预治疗MRI开发深度学习特征 (DLS),用于预测乳腺癌中新辅助化疗反应.
• 通过放射基因组分析研究DLS背后的生物学途径.
• 提高成像标记物的临床实用性,以实现个性化乳腺癌治疗.

主要方法:

• 构建并验证了基于MRI的DLS用于预测病理完整反应 (pCR).
• 利用对联MRI和蛋白质组测序数据的放射基因组分析 (n=105培训,n=26验证).
• 确定了与pCR和DLS相关的生物功能和途径.

主要成果:

• DLS实现了高预测精度 (0.923) 和AUC (0.958),超过了转移学习模型的表现.
• 在pCR患者中观察到细胞膜形成,内细胞结合和细胞骨架依赖的贩运的差异调节.
• 在DLS和瘤信号通路,人类表型和一般生物过程 (p.adj <0.05) 之间发现了显著的相关性.

结论:

• 开发了一种生物学上可解释的DLS,用于预测乳腺癌化疗中的pCR.
• 根据放射基因组分析的DLS提供了指导个性化新辅助化疗决策的潜力.
• 这种方法弥合了成像特征和潜在生物学之间的差距,增强了非侵入性标记器的实用性.