预测乳腺癌病理图像的MammaPrint复发风险 使用弱监督的变压器

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
• 基因组医学是一种基因组医学.

背景情况:

• 乳腺癌 (BC) 的复发显著影响死亡率.
• 在MammaPrint (MP) 基因组测定评估复发风险和化疗效益的早期阶段HR+/HER2-BC.
• MP的局限性包括高成本和无法分析瘤形态.

研究的目的:

• 开发一个弱监督的代理-注意力变压器模型 (CPMP) 用于预测MP复发风险,使用基因病理幻灯片.
• 探索与MP风险组相关的空间和形态模式.
• 评估CPMP在外部队列中的预后能力.

主要方法:

• 建立一个乳腺癌MammaPrint队列.
• 开发CPMP,一个监督较弱的代理人注意力转换器模型.
• 从没有注释的基因病理幻灯片中预测MP风险组.
• 使用CPMP进行空间和形态分析.
• 在外部队列中预测评估.

主要成果:

• 在预测MP风险组中,CPMP获得了0.824±0.03的AUROC.
• 该模型揭示了瘤的空间定位和不同MP风险组的细胞间相互作用模式.
• CPMP特征瘤形态多样性,识别与MP风险相关的独特表型.
• 预后评估显示了远程转移风险的显著分层 (HR: 3.14,p值 = 0.0014).

结论:

• CPMP有效地预测了从基因病理幻灯片的MammaPrint复发风险.
• 该模型为与复发风险相关的瘤空间和形态特征提供了新的见解.
• CPMP证明具有显著的预后价值,为早期乳腺癌的基因组风险评估提供了具有成本效益的补充.