在乳腺癌中对新辅助化疗的病理完整反应的自动预测,使用深度学习对预治疗核心针活检样本进行深度学习

科学领域:

• 数字病理学数字病理学
• 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:

• 早期预测新辅助化疗 (NAC) 反应对个性化乳腺癌治疗至关重要.
• 传统方法依赖于人类注释的感兴趣区域,限制了对整个幻灯片图像 (WSIs) 的直接分析.
• 这项研究探讨了人工智能驱动的预治疗核心针活检 (CNB) WSIs的分析,以预测病理完整反应 (pCR).

研究的目的:

• 评估人工智能分析对预处理的预测能力 CNB WSIs 对于 pCR 到 NAC.
• 开发和验证基于人工智能的模型,整合数字病理学和临床数据.
• 评估在没有专家注释的情况下使用WSIs用于治疗反应预测的可行性.

主要方法:

• 对接受NAC.的130名入侵性导管癌患者的分析.
• 从预处理CNB WSIs的高细胞性区域提取图像补丁.
• 基于融合的AI分类模型的开发,包括图像数据和临床元数据 (年龄,激素受体状态,Ki-67).

主要成果:

• 人工智能模型在预测pCR方面实现了92.3%的准确性,与专家注释相当.
• 图像和临床数据都对最佳模型性能至关重要,证明了互补的作用.
• 使用五个1000×1000像素的图像补丁,平衡细节和效率,获得了最佳结果.

结论:

• 一个AI模型可以使用有限的WSIs和临床数据准确地预测乳腺癌中的PCR到NAC.
• 这种方法绕过了对专家注释的需求,简化了工作流程.
• 这种人工智能驱动的预测有助于更早地做出治疗决策,并改善了乳腺癌手术前预测结果.