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, T S Rekha3
1Department of Biology, Georgia State University, Atlanta, GA, 30302, USA.
Breast cancer research : BCR
|January 18, 2024
概括
机器学习通过分析组织学图像,准确地预测三阴性乳腺癌 (TNBC) 患者的新辅助化疗反应. 该工具确定了关键的组织学特征,以指导治疗选择,以获得更好的患者结果.
科学领域:
- 计算病理学和机器学习在瘤学中的应用.
- 发现生物标志物用于预测癌症治疗反应.
背景情况:
- 病理完整反应 (pCR) 对于三阴性乳腺癌 (TNBC) 的良好预后至关重要.
- 目前,只有30-40%的TNBC患者在新辅助化疗 (NAC) 后获得pCR,而60-70%显示残留疾病 (RD).
- 瘤微环境对TNBC中NAC反应的影响尚未得到充分理解.
研究的目的:
- 开发一个机器学习管道来分析TNBC的H&E染色全幻灯片图像 (WSI) 中的组织学组件.
- 确定能够预测TNBC患者NAC反应的组织学特征.
- 要区分实现pCR的患者和NAC后RD的患者.
主要方法:
- 开发了一个两步机器学习管道,使用来自TNBC患者活检的H&E染色WSIs.
- 该管道涉及级组织学分类和患者级NAC响应预测模型.
- 一个辐射基函数内核支持向量机 (rbfSVM) 分类器利用了55个纹理特征进行预测.
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.
- 患者级管道预测了NAC反应,在开发队列中准确率为83.53%,在验证队列中准确率为81.01%.
- 预测pCR的关键组织学特征包括瘤和瘤透性淋巴细胞;RD预测涉及微血管密度和多倍体巨型癌细胞.
结论:
- 开发的机器学习管道可靠地识别出预测TNBC中NAC反应的组织学特征.
- 这种方法可能有助于选择合适的患者接受NAC治疗.
- 这种工具的进一步应用可能会改善TNBC的治疗策略和患者的治疗结果.
