一种计算机视觉方法来评估瘤透的淋巴细胞,以及乳腺癌中新辅助药系统治疗反应的多参数建模
Mateusz Bielecki1,2, Fang-I Lu3, Angeline Vo4
1Biological Sciences Platform, Sunnybrook Research Institute, 2075 Bayview Ave., Room TB 097, Toronto, ON M4N 3M5, Canada.
Therapeutic advances in medical oncology
|February 24, 2026
概括
机器学习模型使用空间瘤透淋巴细胞 (TIL) 特征准确预测乳腺癌 (BC) 中新辅助系统治疗 (NST) 的病理完整反应 (pCR). 这种方法为接受NST的BC患者提供了更好的预后见解.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 生物医学成像技术 生物医学成像技术
背景情况:
- 新辅助全身疗法 (NST) 对局部晚期或高风险早期乳腺癌 (BC) 至关重要.
- 对NST的病理完整反应 (pCR) 与有利的结果相关,但预测仍然具有挑战性.
- 瘤透淋巴细胞 (TILs) 显示为NST反应的预测生物标志物具有前途.
研究的目的:
- 开发一种计算机视觉方法来量化空间TIL参数.
- 创建一个多参数机器学习 (ML) 模型,用于预测BC的NST响应.
- 整合组织病理学和临床数据,以提高预测准确度.
主要方法:
- 对411名BC患者治疗前核心针活检的回顾性分析.
- 整片成像和卷积神经网络用于TIL和癌症细分.
- 使用基于图的方法提取空间TIL特征 (德劳内三角化,沃罗诺伊图,最小跨度树).
- 整合临床病理特征用于多参数ML模型开发.
主要成果:
- 结合临床和基于图形的TIL特征的ML模型实现了对pCR的高预测准确性.
- 性能最好的图形特征模型的AUC值为0.924.
- 组合模型结合了临床和图形特征,达到0.955.5的最高AUC.
- 在比较模型时,三负BC的显著性能差异被注意到.
结论:
- 使用临床病理学和空间TIL特征的多参数建模有效预测接受NST的BC患者的pCR.
- 这种方法提高了对治疗反应的预测,可能引导临床决策.
- 这项研究强调了先进的计算病理学在瘤学的价值.
