基于组织病理图像的深度学习来预测乳腺癌复发风险和化疗益处:一个多中心,模型开发和验证研究

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:

• 像Oncotype DX这样的基因组测试对于早期乳腺癌的辅助治疗选择至关重要,但由于成本和后勤问题而面临可访问性问题.
• 开发了一种人工智能 (AI) 模型,以使用组织病理学幻灯片和临床数据估计型DX21基因复发得分.

研究的目的:

• 开发和验证人工智能模型,从例行组织病理学幻灯片中预测型DX复发得分.
• 评估AI模型在指导激素受体阳性,HER2阴性早期乳腺癌的化疗决策方面的表现.

主要方法:

• 在数字全幻灯片图像和临床特征上训练了一种多式联机深度学习模型.
• 该模型在大量的组织病理学幻灯片数据集上进行了预训练,并在TAILORx试验数据上进行了微调/验证.
• 对六个独立的队列进行了外部验证.

主要成果:

• 在TAILORx测试组中,人工智能模型在识别高基因组风险疾病 (复发率评分≥26) 时达到0.898的AUC.
• 基于人工智能的风险分层对无复发间隔和远距离无复发间隔的预后.
• 该模型在外部队列中显示出高的概括性,AUC从0.858到0.903.

结论:

• 应用于常规组织病理学的人工智能为早期乳腺癌的化疗决策提供了一个可扩展的工具.
• 这种方法有可能减少不必要的化疗,并提高对精确瘤学的准入,特别是在资源有限的环境中.