开发和验证一种病理模型,预测基于RCB得分的乳腺癌新辅助疗法的疗效

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 生物信息学是一种生物信息学.

背景情况:

• 乳腺癌是全球女性的主要恶性瘤.
• 新辅助疗法 (NAT) 是一种标准的乳腺癌治疗方法.
• 患者对NAT的反应各不相同,影响治疗疗效和策略调整.

研究的目的:

• 开发和验证乳腺癌新辅助疗法 (NAT) 响应的新型预测模型.
• 评估Pathomics乳腺癌签名 (PBCS) 在预测残留癌症负担 (RCB) 评分中的有效性.
• 将PBCS的性能与标准的Pathomics签名 (PS) 模型进行比较.

主要方法:

• 使用支持矢量机 (SVM) 算法构建了Pathomics乳腺癌签名 (PBCS) 模型.
• 使用CellProfiler从HE染色的幻灯片中提取了9个病理特征.
• 整合了具有病理特征的HER2状态,以提高预测准确度.

主要成果:

• PBCS模型在预测NAT有效性 (RCB 0-I) 中表现出强的表现,在训练中AUC为0.86,在验证组中为0.83.
• 在验证组中,PBCS显著优于PS模型 (AUC = 0.65).
• 校准曲线和临床决策曲线证实了PBCS的预测能力.

结论:

• 在NAT启动之前,PBCS模型可以帮助临床医生预测治疗后的RCB分级.
• PBCS提供了一种新的方法,用于预测乳腺癌患者对NAT的反应.
• 这有助于制定针对乳腺癌的个性化治疗策略.