深度学习预测了新辅助化疗对三阴性乳腺癌患者的效果
1Department of Pathology, Radboud University Medical Center, Nijmegen, the Netherlands.
Journal of pathology informatics
|June 17, 2025
概括
深度学习使用H&E活检图像预测三阴性乳腺癌 (TNBC) 和新辅助化疗 (NAC) 的反应. 这种人工智能方法在预测侵袭性乳腺癌治疗结果方面表现有前途.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 乳腺癌研究研究 乳腺癌研究
背景情况:
- 三阴性乳腺癌 (TNBC) 具有侵略性,预后不佳,复发风险高.
- 新辅助化疗 (NAC) 用于降低TNBC的阶段,在40-50%的病例中达到病理完整反应.
- NAC可以引起有毒的副作用,并留下残留瘤,需要预测结果.
研究的目的:
- 使用深度学习预测新辅助化疗 (NAC) 在三阴性乳腺癌 (TNBC) 的结果.
- 在手术前的H&E染色活检幻灯片中分析微观形态特征.
- 根据整个幻灯片图像评估AI模型的预测价值.
主要方法:
- 一个卷积神经网络被训练在221个H&E染色的TNBC活检上.
- 病例被分为良好,中度和不良反应组,基于NAC后的残留瘤.
- 该模型在52个新的活检上进行了测试,将中度和不良反应组合在一起,以便更好地进行歧视.
主要成果:
- 深度学习模型在测试组中实现了0.696 (95%CI:0.532-0.861) 的接收器运营商曲线下的面积 (AUC ROC).
- 这个AUC值超过了基于已确定的临床数据的0.63的预测AUC值.
- 该模型展示了H&E幻灯片形态对NAC结果的预测价值.
结论:
- 从TNBC进行的手术前的H&E活检包含NAC结果的预测信息.
- 对整个幻灯片图像应用的深度学习技术可以预测NAC响应.
- 这种由人工智能驱动的方法显示了改善TNBC治疗策略的潜力.
