深度学习的基因病理图像预测乳腺癌复发风险和化疗的好处

科学领域:

• 在瘤学瘤学.
• 人工智能在医学中的应用
• 病理学 病理学 病理学

背景情况:

• 基因组测试对于早期乳腺癌治疗至关重要,但在全球范围内面临着可访问性问题.
• 激素受体阳性,HER2阴性 (HR+/HER2-) 早期乳腺癌的治疗决策通常以基因组分数为指导.
• 高成本和后勤障碍限制了全球许多患者对基因组测试的访问.

研究的目的:

• 开发一种人工智能 (AI) 模型,以使用组织病理学图像和临床病理学数据估计瘤型DX21基因复发得分 (RS).
• 评估AI模型在预测基因组风险方面的准确性及其在HR+/HER2-早期乳腺癌中的预后价值.
• 评估人工智能模型在指导化疗决策中的实用性,特别是在资源有限的环境中.

主要方法:

• 开发了一种多式深度学习人工智能模型,在大量基因病理幻灯片的数据集上进行预训练.
• 人工智能模型使用TAILORx随机试验 (n=8,284) 的数据进行了微调和验证.
• 对六个独立的队列 (n=5,497名患者) 进行了外部验证,以评估概括性.

主要成果:

• 人工智能模型准确估计了复发得分,达到0.898的AUC来预测高基因组风险 (RS≥26).
• 人工智能驱动的风险分层证明了无复发和无疾病生存的显著预后价值.
• 该模型确定了绝经前高风险患者的化疗益处,并排除了绝经后低风险患者的化疗益处,与临床试验数据保持一致,并将30%的MINDACT高风险绝经后病例重新归类为低风险.

结论:

• 应用于标准组织病理学图像的AI为HR+/HER2-早期乳腺癌的化疗决策提供了有价值,易于使用的工具.
• 这种人工智能方法可以帮助减少不必要的化疗,并推进精密医学,特别是在有限的基因组测试机会的环境中.
• 人工智能模型展示了强大的概括和预后能力,为个性化癌症护理提供了可扩展的解决方案.