AI驱动的乳腺癌新辅助化疗疗效预测模型：基于组织病理图像的多中心综合研究

本研究针对乳腺癌新辅助化疗(NAT)疗效预测的临床挑战，开发了整合组织病理学特征、临床指标和免疫特征的AI预测模型(IPM)。通过分析1035例多中心患者的全切片图像(WSI)，研究发现基于肿瘤区域(TR-score)的深度学习标志物预测性能最优(AUC=0.729)，结合临床变量构建的IPM模型显著优于传统临床模型(验证AUC=0.780 vs 0.706)，且免疫特征可进一步提升预测效能(AUC=0.831)。该研究为乳腺癌NAT精准决策提供了可推广的智能化工具。

　　

乳腺癌作为威胁女性健康的首要恶性肿瘤，其治疗方案的精准选择始终是临床面临的重大挑战。新辅助化疗(NAT)虽能使肿瘤降期并为手术创造条件，但患者反应存在显著差异——部分可获得病理完全缓解(pCR)的生存获益，另一些则可能承受无效治疗带来的毒副作用。目前临床依赖的分子分型和临床分期预测能力有限，亟需开发更精准的疗效预测工具。

四川大学华西医院的研究团队在《npj Precision Oncology》发表创新成果，通过人工智能技术挖掘常规病理切片中隐藏的预测信息。研究团队收集了来自四家医疗机构的1035例患者样本，采用三种深度学习架构(Inception-V4、MobileNet-V2和ResNet101-V2)分别分析肿瘤上皮(TE)、间质(TS)和整体肿瘤区域(TR)的组织学特征。通过随机森林算法整合最优影像标志物与临床指标，最终构建出集成预测模型(IPM)，并进一步探索免疫细胞浸润对模型的增强作用。

关键技术包括：全切片图像(WSI)数字化扫描与人工标注；卷积神经网络(CNN)区域分割算法；基于CIBERSORT的免疫细胞组分分析；免疫组化验证关键免疫细胞亚型；多参数随机森林模型构建与验证。研究通过五折交叉验证和独立外部验证确保模型可靠性。

研究结果揭示：

1. 区域特征比较：TR-score(AUC=0.729)预测性能显著优于单纯上皮(TE-score=0.686)或间质(TS-score=0.719)特征，提示肿瘤-间质相互作用包含更丰富的预测信息。

   

2. 模型构建：IPM整合TR-score与临床变量(T分期、HER2状态等)，在验证集中AUC达0.780，较传统临床模型(ACPM)提升10%准确率，且特征重要性分析显示TR-score贡献度最高。

   

3. 免疫增强：纳入肥大细胞等免疫特征后，IPMim模型AUC提升至0.831，其中肥大细胞密度与pCR呈负相关，可能通过抑制CD8⁺T细胞功能影响疗效。

4. 病理溯源：高TR-score区域呈现核异型显著、核分裂活跃等恶性特征伴丰富淋巴细胞浸润，而低分区域则表现为均一核型及胶原纤维丰富的间质，印证了模型决策的生物学合理性。

   

这项研究开创性地证实了全肿瘤区域组织学特征在NAT预测中的优越性，其构建的IPM模型具有三大突破：首次系统比较不同组织学区域的预测价值；实现常规病理数据的深度挖掘；展示免疫微环境对预测模型的增量价值。临床转化方面，该模型可识别NAT敏感患者(敏感组pCR率达41% vs 非敏感组7.8%)，辅助制定个体化治疗方案。决策曲线分析显示，相比"全治疗"策略，采用IPM指导临床决策可使净获益提升87.5%，具有显著临床经济学价值。

研究也存在一定局限：尚未开展前瞻性验证；未整合基因组等组学数据。未来可通过多中心前瞻性试验进一步验证，并探索与液体活检等技术的联合应用。该成果为乳腺癌精准治疗提供了可推广的AI解决方案，其"病理+临床+免疫"的多模态建模思路也为其他肿瘤疗效预测研究提供了范式参考。