基于人工智能的解决方案的验证,用于乳腺癌风险分层使用常规数字基因病理学图像
Abhinav Sharma1, Sandy Kang Lövgren1,2, Kajsa Ledesma Eriksson1,2
1Department of Medical Epidemiology and Biostatistics, Karolinska Institutet, Stockholm, Sweden.
Breast cancer research : BCR
|August 14, 2024
概括
一个人工智能工具Stratipath Breast使用H&E染色图像准确预测乳腺癌的进展. 它提供了独立的预后价值,特别是在ER+/HER2患者中,有助于治疗决策,并可能减少过度治疗.
科学领域:
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
- 癌症预后 癌症预后
背景情况:
- Stratipath Breast 是一个 CE-IVD AI 解决方案,用于乳腺癌预后风险分层.
- 它使用H&E染色的整体病原体幻灯片图像 (WSIs) 来将患者分为高风险和低风险组.
- 这项研究证实了其在独立乳腺癌队列中的预后性能.
研究的目的:
- 评估Stratipath乳腺人工智能工具的预后性能.
- 根据WSIs验证其对乳腺癌患者分层的能力.
- 评估其在特定患者子组的有用性,包括ER+/HER2-.
主要方法:
- 一项追溯的多站点验证研究,涉及来自瑞典两家医院的2719名原发性乳腺癌患者.
- 使用Stratipath乳腺工具对切除瘤的数字化H&E染色WSIs的患者分层.
- 通过使用多变量考克斯比例危险模型,以无进展生存 (PFS) 为主要终点,通过时间到事件分析进行预测性绩效评估.
主要成果:
- 在ER+/HER2-亚组中,在调整风险因素后,在低风险和高风险组之间观察到PFS的2.76 (95% CI:1.63 - 4.66,p<0.001) 的危险比率 (HR).
- 在ER+/HER2-诺丁汉组织学等级 (NHG) 2亚组中,HR为2.20 (95% CI:1.22-3.98,p=0.009).
- 这些结果表明Stratipath Breast能够在这些临床相关人群中识别不同的风险群体.
结论:
- 在所有乳腺癌患者中,Stratipath Breast显示出独立的预后价值,特别是在ER+/HER2-和NHG2/ER+/HER2-亚组中.
- 改善中等风险ER+/HER2乳腺癌的风险分层可以为辅助化疗决策提供信息,可能减少治疗不足和过度治疗.
- 与分子诊断相比,基于图像的风险分层提供了与分子诊断相比的交付时间和成本的优势,使患者能够获得更广泛的访问.
