集成基于变压器的多重实例学习,用于预测乳腺癌活检全幻灯片图像的新辅助化疗反应
Zhenshui Wu1, Kaining Ye2, Jianming Weng2
1Department of Pathology, The Second Affiliated Hospital of Fujian Medical University, Quanzhou, Fujian, China.
Frontiers in oncology
|March 11, 2026
概括
这项研究引入了一个基于变压器的框架,使用全幻灯片图像来预测乳腺癌患者的新辅助化疗 (NAC) 反应. 该模型准确地识别治疗疗效,帮助个性化治疗决策.
科学领域:
- 数字病理学数字病理学
- 在瘤学中使用人工智能
- 计算生物学 计算生物学
背景情况:
- 准确预测新辅助化疗 (NAC) 反应对于优化乳腺癌治疗策略和改善患者治疗结果至关重要.
- 目前用于预测NAC响应的方法往往缺乏精度,需要先进的计算方法.
研究的目的:
- 开发和验证一个集成的基于变压器的多实例学习 (MIL) 框架,用于使用预处理全幻灯片图像 (WSI) 预测NAC响应.
- 评估框架在识别病态完整响应 (pCR) 和非响应方面的表现,以及其在不同图像分辨率和机构的概括性.
主要方法:
- 使用了128名乳腺癌患者的多机构数据集,并使用集成ResNet50特征提取和多尺度注意力转换器编码器的框架分析了WSI.
- 采用了两阶段的分类策略,SMOTE和ADASYN解决了类不平衡,通过域调整 (DANN) 和度量学习增强了稳定性.
主要成果:
- 该框架在内部验证中实现了79.3%的WSI级准确性,pCR的AUC为0.82,非响应为0.77.
- 在较低分辨率图像上的外部验证产生了0.70 (pCR) 和0.67 (无响应) 的AUC,超过了传统的CNN.
- 热图可视化提供了可解释的感兴趣区域,证明了临床透明度.
结论:
- 拟议的自动化,可解释和资源效率高的框架准确地预测了H&E染色的WSIs的NAC反应,支持个性化治疗规划.
- 两阶段分类使得响应者的细粒度分层成为可能,这对于临床决策至关重要.
- 未来的研究将集中在更大的数据集和基础模型上,以提高概括性和临床适用性.
