多模态组织病理学模型分层化激素受体阳性早期乳腺癌
Kevin M Boehm1,2, Omar S M El Nahhas3,4, Antonio Marra5,6
1Computational Oncology Service, Memorial Sloan Kettering Cancer Center, 323 E 61 St, New York, NY, USA.
Nature communications
|March 2, 2025
概括
一个新的深度学习工具,Orpheus,从早期乳腺癌的H&E图像中推断出瘤型DX复发率得分 (RS). 它准确地识别高风险病例,并比单独的RS更好地预测转移性复发风险.
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:
- 瘤型DX复发率评分 (RS) 对激素受体阳性早期乳腺癌治疗决策至关重要.
- 全球采用RS受到成本和时间延迟的限制.
- 以往从临床病理学数据估计RS的方法的准确性有限.
研究的目的:
- 开发一个多式联机深度学习工具,Orpheus,从H&E全幻灯片图像中推断RS.
- 评估Orpheus在识别高风险病例和预测转移性复发方面的表现.
- 克服当前RS评估方法的局限性.
主要方法:
- 汇集了来自三个机构的6172个案件的数据集.
- 开发了Orpheus,这是一个使用H&E全幻灯片图像的深度学习模型.
- 验证了Orpheus识别TAILORx高风险病例的能力 (RS > 25).
- 评估了Orpheus在预测RS ≤25患者转移性复发的准确性.
主要成果:
- 在识别高风险病例时,Orpheus的AUC达到0.89,超过了临床病理学名录 (AUC0.73).
- 对于RS ≤25的患者,Orpheus在预测转移性复发方面表现出卓越的准确性 (时间依赖的平均AUC为0.75与RS的0.49).
结论:
- 奥菲乌斯提供了一个潜在的解决方案,以克服RS检测的可访问性障碍.
- 这种深度学习工具可以帮助指导高风险乳腺癌患者的辅助治疗决策.
- 对于患有转移性复发风险较高的患者,Orpheus可能可以实现更精确的监测策略.
