化疗-prAIdict 乳房:一种深度学习解决方案,用于预测乳腺癌患者接受新辅助化疗治疗的乳腺癌患者活检的残留疾病

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 病理学 病理学 病理学

背景情况:

• 在早期乳腺癌 (eBC) 中预测新辅助化疗 (NAC) 反应对于个性化治疗至关重要.
• 病理完整反应 (pCR) 与改善的生存率相关,但缺乏可靠的基线预测因素.

研究的目的:

• 开发和验证一个深度学习模型 (化学-prAIdict乳房) 用于预测使用整个幻灯片图像 (WSIs) NAC后残留疾病 (RD).
• 评估模型在eBC不同分子亚型中的性能.

主要方法:

• 一个深度学习模型Chemo-prAIdict Breast,从两个大型法国队列 (n=928和n=490) 的诊断活检中接受了WSIs的训练和验证.
• 患者按分子亚型分层:HER2增强 (HER2+),ER阳性/HER2阴性 (ER+/HER2-),以及三阴性 (TN).
• 模型的性能被评估使用曲线下的面积 (AUC) 在外部验证和对比分析对配对活检部分.

主要成果:

• 在外部验证中,与标准的临床病理特征相比,Chemo-prAIdict Breast 显示出更高的预测性能.
• 获得的AUC为0.652 (HER2+),0.814 (ER+/HER2-),和0.677 (TN) 的瘤 (所有p<0.001).
• 在配对活检段中观察到高预测一致性 (所有亚型的Pearson r > 0.93,p<0.001).

结论:

• 化学-prAIdict 乳腺显示承诺作为一种工具,以识别早期乳腺癌患者与标准NAC.差异敏感性.
• 该模型可以帮助选择HER2+,ER+/HER2和TNeBC亚型的最佳治疗策略.
• 用现代疗法进行进一步的前性研究是必要的,以确定临床效用.