在乳腺癌中使用多式数字生物标志物的新辅助疗法后,对病理完整反应的预测模型的多中心研究
Zixuan Yang1, Jie He2, Taolang Li3
1National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100021, China.
Chinese journal of cancer research = Chung-kuo yen cheng yen chiu
|January 12, 2026
概括
这项研究开发了一种AI模型,用于预测乳腺癌新辅助疗法 (NAT) 后的病理完整反应 (pCR). 临床放射学深度学习模型准确地识别了实现PCR的患者,帮助治疗决策.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 新辅助疗法 (NAT) 是局部晚期乳腺癌的标准.
- 在NAT后非侵入性预测病理完整反应 (pCR) 是一个关键的临床挑战.
- 准确的PCR预测有助于定制治疗策略.
研究的目的:
- 开发和验证一个人工智能系统,用于准确预测乳腺癌患者接受NAT.的pCR.
- 评估结合临床,放射性和深度学习特征的多模式方法的有效性.
主要方法:
- 对1,315名乳腺癌患者 (临床阶段I-III) 的回顾性分析,使用纵向多参数MRI和临床病理学数据.
- 利用放射学,3D卷积神经网络技术和统计分析来提取和选多式联络特征.
- 开发并验证了一种临床放射学深度学习 (CRDL) 模型,集成多式联络融合特征.
主要成果:
- 该CRDL模型实现了高预测性能,在初级队列中AUC为0.947.
- 外部验证表明,在三个独立队列中,AUC值为0.857,0.883和0.904,表现强.
- 该模型有效预测基于多式联运数据融合的pCR结果.
结论:
- 该CRDL模型在使用多式联络数据预测NAT后的pCR方面显示出高准确性和稳定性.
- 这种人工智能驱动的方法为乳腺癌患者的非侵入性pCR评估提供了坚实的基础.
- 这些发现为指导后NAT治疗计划中的临床决策提供了关键的见解.
