使用机器学习预测三阴性乳腺癌的新辅助治疗反应
Shristi Bhattarai1, Geetanjali Saini1, Hongxiao Li2
1Department of Clinical and Diagnostic Sciences, School of Health Professions, University of Alabama at Birmingham, Birmingham, AL 35294, USA.
Diagnostics (Basel, Switzerland)
|January 11, 2024
概括
机器学习模型可以通过结合生物标志物来预测三阴性乳腺癌 (TNBC) 中的新辅助化疗 (NAC) 反应. 这种方法改善了患者的分层,以便做出更好的治疗决策.
科学领域:
- 在瘤学瘤学.
- 生物标志物发现发现
- 计算病理学计算病理学
背景情况:
- 新辅助化疗 (NAC) 是早期三阴性乳腺癌 (TNBC) 的标准,旨在达到病理完整反应 (pCR).
- 目前在TNBC中使用NAC的pCR率低于最佳 (30-40%),需要改进预测生物标志物.
- 瘤透淋巴细胞 (TILs),Ki67和素H3 (pH3) 是已知的预测标记物,但它们的综合价值被低估.
研究的目的:
- 综合评估来自H&E和IHC染色活检组织的综合生物标志物的预测价值,以确定TNBC中NAC反应.
- 开发和评估一种基于监督机器学习 (ML) 的方法,用于使用组织学和分子特征预测NAC反应.
- 为了实现精确的患者分层,以指导TNBC的治疗决策.
主要方法:
- 连续活检截面 (n=76) 用H&E和IHC染色Ki67和pH3,生成全幻灯片图像 (WSI) 三胞胎.
- 基于面膜区域的CNN (MRCNN) 模型在WSI中识别了瘤细胞,膜/内TILs (sTILs/tTILs),Ki67+和pH3+细胞.
- 确定了热点区域,并使用准确度,AUC和混矩阵分析训练和评估ML模型,以预测NAC反应.
主要成果:
- 使用tTIL计数定义的热点区域实现了最高的预测准确度,其中包括tTIL,sTIL,瘤细胞,Ki67+和pH3+特征.
- 将多个组织学特征 (tTIL,sTIL) 与分子生物标志物 (Ki67,pH3) 结合起来,无论热点选择如何,在患者层面产生了最佳表现.
- 各种生物标志物的互补使用显著提高了NAC反应的预测准确性.
结论:
- 在TNBC中NAC反应的预测模型应该整合多个生物标志物,而不是依赖单个标志物.
- 基于机器学习的模型显示了在TNBC患者中准确预测NAC反应的强大潜力.
- 这项研究支持了ML驱动的生物标志物组合在TNBC个性化治疗策略的临床实用性.
