基于深度学习的预测模型,用于从活检病理图像对乳腺癌中新辅助化疗的病理完整反应:一项多中心研究

科学领域:

• 在瘤学瘤学.
• 数字病理学数字病理学
• 机器学习 机器学习

背景情况:

• 早期预测病理完整反应 (pCR) 对于量身定制乳腺癌新辅助化疗 (NAC) 至关重要.
• 染色为血素和素 (HE) 的活检组织提供了丰富的关于瘤和脑膜组件的信息.
• 整合病理和临床病理特征可以增强NAC反应预测模型.

研究的目的:

• 开发和验证一种多式模式模型,用于预测接受NAC的乳腺癌患者的pCR.
• 探索基于深度学习的从病态图像中提取特征的有效性.
• 评估将病理图像特征与临床病理学数据相结合的附加值.

主要方法:

• 440名接受NAC.的乳腺癌患者的回顾性采集.
• 用深度学习 (VGG16) 进行特征提取的HE染色活检组织的全幻灯片成像 (WSI) 在各种放大.
• 使用支持矢量机 (SVM) 分类器开发多式预测模型,整合图像和临床病理特征.
• 使用两个独立的队列验证.

主要成果:

• 性能最好的模型使用VGG16从×20放大度的HE图像中提取特征,并与SVM集成.
• 深度学习病理模型 (DPM) 的AUC为0.79 (TC),0.73 (VC1) 和0.71 (VC2).
• 与单独的临床模型相比,多式深度学习临床病理学模型 (DPCM) 显著改善了AUC,达到0.84 (TC) 和0.78 (VC2).

结论:

• 来自NAC活检前HE染色切片的病理图像对于构建PCR预测模型非常有价值.
• 病理图像特征和临床病理数据的融合大大提高了乳腺癌NAC反应的预测性能.