基于深度学习的多任务预测,使用乳腺癌多尺度全幻灯片图像对新辅助化疗的反应:一项多中心研究

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 预测对新辅助化疗 (NAC) 的治疗反应对于定制局部晚期乳腺癌治疗计划至关重要.
• 目前的方法可能缺乏最佳患者分层所需的精度.

研究的目的:

• 开发和验证多任务深度学习模型 (DLMM) 以预测对NAC的治疗反应和病理完整反应 (pCR).
• 使用多尺度全幻灯片图像 (WSI) 来提高预测准确度.

主要方法:

• 一个弱监督的基于深度学习的多任务模型 (DLMM) 使用1670个跨多个数据集的WSIs被开发出来.
• 该模型采用单级特征的连锁融合和基于门的注意力机制来模型特征相互作用.

主要成果:

• 在内部,外部和前性测试集中,DLMM实现了高预测性能,AUC从0.821到0.869不等,用于治疗反应和pCR.
• 该模型显著优于基线方法 (P<0.05) 并通过热图证明了可解释性.
• 生物探索将高DLMM得分与免疫相关的途径和细胞联系起来.

结论:

• 开发的DLMM是预测乳腺癌中NAC反应的宝贵工具.
• 它帮助临床医生选择个性化治疗策略,以改善患者的治疗结果.