在三阴性乳腺癌中预测新辅助化疗反应,使用治疗前的基因病理图像
Hikmat Khan1, Ziyu Su1, Huina Zhang2
1Department of Pathology, College of Medicine, Wexner Medical Center, The Ohio State University, Columbus, OH, 43210, USA.
ArXiv
|July 31, 2025
概括
一个人工智能模型使用H&E幻灯片预测三阴性乳腺癌化疗反应. 这种方法增强了个性化治疗,并确定了关键的免疫生物标志物,以获得更好的患者结果.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 精确瘤学是一门精确的专业.
背景情况:
- 三重阴性乳腺癌 (TNBC) 由于其侵略性和有限的向治疗方法,提出了重大的临床挑战.
- 预测新辅助化疗 (NACT) 反应对于定制治疗和改善TNBC患者的治疗结果至关重要.
研究的目的:
- 开发和验证基于注意力的多实例学习 (MIL) 框架,用于预测TNBC中的病理完整反应 (pCR).
- 通过将注意力图与免疫细胞透相关联,提高预测模型的可解释性.
主要方法:
- 开发了一个基于注意力的MIL框架来分析治疗前的H&E染色活检幻灯片.
- 该模型在174名TNBC患者的队列上进行了训练,并在30名患者的独立队列上进行了验证.
- 注意地图在空间上与PD-L1,CD8+T细胞和CD163+巨细胞的多重免疫组织化学 (mIHC) 数据共同记录.
主要成果:
- MIL模型实现了0.85 (交叉验证) 和0.78 (外部测试) 的平均AUC,证明了强大的预测性能.
- 注意区域显示了与免疫丰富区域的适度空间重叠 (IOU:PD-L1的0.47,CD8+的0.45,CD163+的0.46).
- 这种重叠表明免疫生物标志物在预测NACT反应中的生物学相关性.
结论:
- 开发的MIL框架从H&E幻灯片准确地预测了TNBC中的NACT响应.
- 模型解释性分析将预测区域与免疫生物标志物联系起来,支持它们在治疗反应中的作用.
- 这种方法通过能够准确预测反应和识别潜在的组织学生物标志物来推进精确瘤学.
