一个预测乳腺癌新辅助化疗结果的基础模型
Ruichong Lin1,2,3,4, Zifan He2, Jingjing Han2
1Faculty of Innovation Engineering, School of Computer Science and Engineering, Institute for AI in Medicine, Faculty of Medicine, Macau University of Science and Technology, Taipa, Macao, China.
International journal of surgery (London, England)
|November 13, 2025
概括
一个新的人工智能基础模型准确地预测乳腺癌治疗反应,使用组织病理学和临床数据. 这种工具有助于识别需要在新辅助化疗后进行密集辅助化疗的患者,进步精确瘤学.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 病理学 病理学 病理学
背景情况:
- 新辅助化疗 (NAC) 是乳腺癌的标准,但由于瘤异质性,个性化辅助疗法具有挑战性.
- 目前的方法很难识别非病理性完全响应 (非pCR) 患者,他们可以从密集辅助化疗中受益.
- 需要可靠的生物标志物来指导NAC后个性化治疗决策.
研究的目的:
- 开发一个基础模型,整合组织病理学和临床数据,用于个性化乳腺癌治疗决策.
- 准确预测NAC后的病理完整反应 (pCR) 和无病生存期 (DFS).
- 为了确定高风险的非pCR患者,他们可能受益于强化辅助化疗.
主要方法:
- 开发了一个混合AI-病理学模型,结合了CNN和基于变压器的基础模型.
- 分析了1543名非转移性侵袭性乳腺癌患者的整片图像和临床数据.
- 多模式模型将组织病理学特征与临床数据相结合,以预测pCR和DFS.
主要成果:
- 人工智能多模式模型在预测PCR (AUC 0.999) 和DFS (AUC 0.885在测试队列中的4年DFS) 中取得了高准确性.
- 在非pCR患者中,根据AI识别的风险 (高/中等) 和辅助化疗强度,观察到DFS的显著差异.
- 可视化热图提供了可解释性,将预测与瘤微环境特征联系起来.
结论:
- 基础模型准确地预测了NAC反应和乳腺癌的长期结果.
- 它作为一种临床可行的工具,用于识别可能受益于密集辅助化疗的非pCR患者.
- 这种方法通过在新辅助环境中实现个性化治疗策略,推进了精确瘤学.
