基于深度学习的AI模型对绝经后ER+/HER2乳腺癌患者乳腺癌风险分层的验证
Sandra Sinius Pouplier1, Abhinav Sharma2, Pekka Ruusuvuori3
1Department of Surgical Pathology, Zealand University Hospital, Sygehusvej 10, 4000, Roskilde, Denmark; Department of Clinical Medicine, Faculty of Health and Medical Sciences, University of Copenhagen, Blegdamsvej 3B, 2200, Copenhagen N, Denmark.
Breast (Edinburgh, Scotland)
|December 11, 2025
概括
斯特拉蒂帕特人工智能模型的乳腺癌预测性能与诺丁汉史学等级 (NHG) 系统相似. 这种深度学习方法可能有助于完善ER+/HER2-乳腺癌患者的风险分层.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确的乳腺癌预后对于治疗决策至关重要.
- 诺丁汉组织学等级 (NHG) 系统是标准的,但具有观察者间的变异性和过度代表的中等风险组.
- 这限制了个性化治疗计划,因为中间组内的预后差异很大.
研究的目的:
- 验证Stratipath的低风险/高风险类别和五个风险组的预后能力.
- 将Stratipath深度学习模型与NHG系统用于乳腺癌预后的性能进行比较.
主要方法:
- 对2466名绝经后,ER+/HER2-乳腺癌患者未接受化疗的临床数据的分析.
- 使用远程复发 (DR) 的一致性指数和危险比率 (HR) 的NHG和Stratipath模型的比较.
- 任何复发的时间 (TR) 和整体存活率 (OS) 是次要终点.
主要成果:
- 斯特拉蒂帕特的五个风险组模型在预测DR方面表现与NHG相当 (c指数为0.71比0.72).
- 两层病变风险组2-5显示DR的HR显著增加 (p < 0.0001).
- 在NHG 2级子组中,Stratipath Breast保留了DR的预后价值.
结论:
- 斯特拉蒂帕特人工智能模型的性能与已建立的NHG系统相美.
- 需要进一步的前性研究来确认Stratipath的详细风险组在指导治疗策略中的临床实用性.
