一种综合整体幻灯片成像和临床病理学特征的多模型方法,用于预测乳腺癌复发风险和复发风险

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 人工智能在医学中的应用

背景情况:

• 乳腺癌是全球女性的主要死亡原因,其特点是治疗后出现多种复发风险.
• 像Oncotype DX这样的基因组测试对于引导雌激素受体阳性/HER2阴性乳腺癌的治疗至关重要,但面临着可访问性和成本障碍.

研究的目的:

• 开发和验证一种综合整体幻灯片成像和临床病理学数据的多模型AI方法,以预测乳腺癌复发风险.
• 根据预测的复发率得分将患者分为低风险和高风险组,作为基因组测试的替代方案.

主要方法:

• 利用卷积神经网络 (CNN) 来进行特征提取和视觉转换器来从整个幻灯片图像中进行上下文聚合.
• 综合临床病理学数据分析,使用后勤回归进行风险分类.
• 在956张来自950名ER+/HER2-乳腺癌患者的整片图像上训练并验证了该模型,这些患者先前进行了型DX测试.

主要成果:

• 多模型方法在内部测试组中达到0.91的曲线下面面积 (AUC),在外部测试组中达到0.84的曲线下面面积,用于预测低风险和高风险乳腺癌复发.
• 在根据预测的型DX复发得分将患者分类为风险类别方面表现强.

结论:

• 拟议的人工智能方法表明,作为预测乳腺癌复发风险的具有成本效益和可访问性的工具,它是有希望的.
• 进一步验证可能使这种方法能够帮助临床医生个性化治疗决策,并可能改善患者的治疗结果.