编辑推荐：
早期乳腺癌患者疾病复发预测存在挑战，现有转录组检测存在局限。研究人员用傅里叶变换红外（FTIR）化学成像结合深度学习预测复发。结果显示，模型预测性能达 ROC AUC 约 0.64，与临床检测相当。该研究为乳腺癌预后提供新平台14。
在乳腺癌的诊疗领域，如何精准预测早期乳腺癌患者治疗后的复发情况，一直是困扰医学界的难题。对于那些处于低至中等复发风险的早期乳腺癌患者而言，现有的临床工具在预测疾病长期复发方面表现并不理想。目前常用的预后检测方法，比如基于批量转录组学的检测，虽然在一定程度上能提供参考，但由于忽略了细胞材料的空间背景信息，在构建疾病机制模型时价值有限，无法精准地预测每个患者的复发风险。同时，不同的分子检测方法对个体患者的风险分类存在差异，且预测能力相似，还存在价格昂贵、检测周期长等问题。例如，OncoType DX 检测在英国每位患者花费约 3000 美元，且需 7 - 10 天才能出结果
125。
为了攻克这些难题，来自爱尔兰都柏林理工大学（Technological University Dublin）、瑞典隆德大学（Lund University）、英国埃克塞特大学（University of Exeter）等机构的研究人员展开了一项极具意义的研究。他们利用傅里叶变换红外（FTIR）化学成像技术获取乳腺癌组织的图像，并借助深度学习模型来预测疾病未来的复发情况。该研究成果发表在《npj Precision Oncology》上，为乳腺癌的精准诊疗带来了新的曙光3。
在这项研究中，研究人员运用了多种关键技术方法。首先，他们选取了来自瑞典的一个连续队列，该队列包含 144 例在马尔默大学医院确诊的浸润性乳腺癌患者的福尔马林固定石蜡包埋组织微阵列标本。接着，使用 FTIR 成像技术对组织切片进行成像，成像过程中对光谱分辨率、扫描次数等参数进行了优化。随后，对 FTIR 图像和光谱进行预处理，去除基线贡献等干扰因素。最后，构建多种机器学习（ML）和深度学习（DL）模型，包括传统的 ML 方法、混合 ML - DL 迁移学习方法等，并对模型进行训练、验证和测试678。
下面来看看具体的研究结果：
- 混合 ML（PLSDA） - TL 建模：使用图像分割结合传统 ML 的 PLSDA 方法构建的模型，在预测乳腺癌复发（BCR）方面表现较差，未能找到突出的复发标记。同样，基于 PLS 的主要迁移学习方法构建的模型，也无法成功对 BCR 进行分类910。
- Modified 2 - D CNNs：部分修改后的 2D 卷积神经网络（CNNs）在分类 BCR 和预测乳腺癌治疗后生存率方面展现出一定能力。如 InceptionV3 和 LeNet5 能够对复发进行分类，其 ROC - AUC 值分别为 0.577 ± 0.054 和 0.639 ± 0.081，其中 LeNet5 表现更优11。
- Depthwise - separable CNNs：将修改后的 LeNet5 模型的第一层替换为 3D 可分离卷积层后，平均 ROC AUC 为 0.641 ± 0.095 。后续构建的完全使用深度可分离卷积（DSC）层的模型 2 - 6，在性能上有所差异。其中，类型 1 的 DSCNN 模型中，Model 2 表现最佳，其预测 BCR 的 ROC AUC 为 0.628 ± 0.095，与修改后的 2D - DCNN LeNet5 架构性能相当；类型 2 的 DSCNN 模型中，Model 5 性能相对较差，训练时间长12。
综合研究结果与讨论部分来看，该研究具有重要意义。研究表明，将深度学习方法应用于化学图像数据，保留光谱信息与空间背景的结合，能有效提高预测疾病复发的性能。相对浅层的 DL 网络在利用化学图像的光谱和空间信息预测未来治疗结果方面表现出色。同时，化学成像技术能够检测到组织中由于转录和蛋白质翻译改变引起的化学变化，这些变化在形态学表现之前就能被检测到，为疾病的早期预测提供了可能。此外，该研究首次证明了组织病理样本的振动光谱及其空间背景具有预后价值，为基于全数字化学成像的组织病理预后提供了新的方向。未来，研究人员将进一步探索该技术在预测乳腺癌及其他癌症治疗后生存概率和其他治疗终点方面的潜力，有望为癌症的精准治疗提供更有力的支持131415。
