开发和验证人工智能系统用于三阴性乳腺癌的识别和预后预测:一个多中心的回顾性研究
Xiu-Ming Zhang1, Hua-Jun Zhou2, Qing Chen1
1Department of Pathology, The First Affiliated Hospital, Zhejiang University School of Medicine, Hangzhou, 310003, China.
EClinicalMedicine
|October 27, 2025
概括
一个名为TRIP的AI系统准确地识别三阴性乳腺癌 (TNBC),并使用病理图像预测患者的生存率. 这种工具为侵袭性乳腺癌亚型的传统诊断方法提供了一个有希望的替代方案.
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
- 数字病理学图像分析图像分析
背景情况:
- 三阴性乳腺癌 (TNBC) 是一种具有高复发率和有限预后工具的侵袭性亚型.
- 目前的TNBC诊断依赖于耗时且昂贵的免疫组织化学.
- 需要有效和准确的方法来识别和预测TNBC.
研究的目的:
- 开发和验证一个人工智能驱动的系统 (TRIP) 用于TNBC识别和预测预后.
- 用血素和乙素 (H&E) 染色的病理图像用于AI模型培训和验证.
- 评估TRIP系统在内部和外部验证队伍中的表现.
主要方法:
- 一个深度学习系统 (TRIP) 是使用2045名乳腺癌患者的H&E染色全幻灯片图像 (WSIs) 开发的.
- 该系统被训练来分类TNBC并预测无病生存率 (DFS) 和整体生存率 (OS).
- 对江大学队列进行了内部验证,随后对四个独立队列和TCGA数据集进行了外部验证. 使用AUC和C指数来评估性能. 使用热图和多omics分析评估了模型的解释性.
主要成果:
- 在TNBC鉴定中,TRIP系统取得了很高的准确性,内部队列的AUC为0.980,外部队列的AUC从0.860到0.936.
- 该系统对DFS和OS表现出强大的预测性能,C指数在整个队列中从0.720到0.747不等.
- 病理热图突出了与TNBC相关的关键组织学特征,多omics分析确定了三种不同的分子亚型.
结论:
- 特里普系统是用于TNBC识别和生存预测的有效和可解释的AI工具.
- 人工智能模型显示,有可能提高TNBC的诊断准确性和预后分层.
- 需要未来的前性研究来验证TRIP在手术前和现实世界的临床实用性.
