多式人工智能和瘤微环境的整合预测了皮肤黑色素瘤的转移
Tom W Andrew1, Marc Combalia2, Carlos Hernandez2
1Translation and Clinical Research Institute, Newcastle University, Newcastle Upon Tyne, UK. tom.andrew@nhs.net.
Nature communications
|November 18, 2025
概括
一个新的AI模型MelanoMAP通过分析瘤微环境数字生物标志物和临床病理特征,显著改善了皮肤黑色素瘤 (CM) 转移风险的预测.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 数字病理学数字病理学
背景情况:
- 准确的预后对于管理局部皮肤黑色素瘤 (CM),一种高死亡率的皮肤癌,至关重要.
- 目前的CM分期系统存在局限性,依赖于受限制的瘤特征,并忽略了关键的预后临床病理因素.
- 瘤微环境 (TME) 被认为是CM进展的重要因素.
研究的目的:
- 开发和验证MelanoMAP,一种多式人工智能模型,用于本地化CM的增强预后.
- 将TME衍生的数字生物标志物与临床病理学特征集成,以改进转移性风险评估.
- 展示AI在推进CM个性化瘤学的潜力.
主要方法:
- 开发MelanoMAP,一个集成TME数字生物标志物和临床病理数据的AI模型.
- 分析了来自六个国际患者队列的3,500多个组织学幻灯片.
- 使用SHAP分析来确定转移风险的关键决定因素.
主要成果:
- 梅拉诺MAP的C指数为0.82,比传统的AJCC分期 (C指数0.66) 有24%的改善.
- 该模型在不同患者队列中始终优于仅临床病理学模型.
- SHAP分析强调了TME数字生物标志物和诸如年龄,线粒数和Breslow深度等因素作为转移风险的关键预测因素.
结论:
- 梅拉诺MAP在局部CM的预后方面提供了显著的进步.
- 来自TME的AI驱动的数字生物标志物可以增强个性化的风险评估.
- 该模型为CM精密瘤学提供了基础,为临床决策提供了信息.
