通过机器学习整合基因病理特征,提高了预测新辅助免疫化学疗法对三阴性乳腺癌的反应

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 新辅助免疫化疗 (NAIC) 是三阴性乳腺癌 (TNBC) 的标准治疗方法.
• 缺乏可靠的生物标志物来预测NAIC反应,并为TNBC患者个性化治疗.
• 目前的预测标记,如PD-L1评分,在识别响应者方面存在局限性.

研究的目的:

• 开发和验证一个机器学习模型,基于病理图像 (IPPI) 的免疫疗法预测,用于预测TNBC中NAIC反应.
• 将IPPI模型的预测性能与现有的临床因素和PD-L1评估进行比较.
• 通过将组织病理特征与治疗结果相关联,提高IPPI模型的可解释性.

主要方法:

• 在病理图像上使用机器学习开发IPPI模型.
• 在发现和两个独立患者队列 (共209名患者) 中验证IPPI模型.
• 对IPPI模型性能与临床因素和PD-L1综合阳性得分的比较分析.

主要成果:

• 在所有队列中,IPPI模型表现出强大的预测性能.
• 在预测病理完整反应 (pCR) 方面,IPPI显著优于临床因素和PD-L1评分.
• 预测实现pCR的患者与预测有残留疾病的患者相比,预后明显更好.

结论:

• IPPI模型提供了一种新,高效和可解释的工具,用于预测TNBC中的NAIC响应.
• 通过IPPI识别的关键组织病理特征与治疗反应有关,有助于理解治疗机制.
• 这项研究通过整合机器学习和数字病理学来推进精确的免疫瘤学,以改善TNBC患者护理.