基于深度学习的乳腺癌复发风险智能预测系统Deep-BCR-Auto的开发与验证

【编辑推荐】针对昂贵基因检测(ODX)在乳腺癌复发风险评估中的可及性难题，研究团队开发了基于H&E染色全切片图像(WSI)的深度学习系统Deep-BCR-Auto。该系统在TCGA-BRCA和OSU队列中分别达到0.827和0.832的AUROC，显著优于现有弱监督模型(p=0.041)，为HR+/HER2-患者提供了经济高效的预后新工具。

　　

乳腺癌作为女性健康的首要威胁，其精准预后评估直接决定治疗策略的选择。当前主流的Oncotype DX(ODX)基因检测虽能有效预测HR+/HER2-亚型患者的复发风险，但单次4000美元的高昂费用使其在低收入国家和少数族裔群体中难以普及。更严峻的是，美国非裔和西班牙裔患者接受ODX检测的机会显著低于白人患者，这种医疗不平等现象与保险覆盖、社会经济地位等多重因素相关。面对这一全球性挑战，The Ohio State University的研究团队另辟蹊径，尝试通过人工智能挖掘常规病理切片中隐藏的预后信息。

研究人员在《Modern Pathology》发表的这项突破性工作中，开发了名为Deep-BCR-Auto的智能系统。该系统创新性地采用弱监督学习范式，直接从H&E染色全切片图像(WSI)中自动提取预后特征，无需人工标注肿瘤区域。研究团队首先利用TCGA-BRCA数据库的1133例样本进行模型训练，其中516例HR+/HER2-患者的研究型ODX评分通过mRNA表达数据计算获得。为验证模型普适性，还额外纳入了男性乳腺癌病例和Ohio State University(OSU)内部数据集进行独立测试。

关键技术路线包含两大核心模块：肿瘤体分割网络实现全自动的病变区域定位，基于多实例学习(MIL)的预测模块则通过注意力机制聚焦于最具预后价值的图像区域。与需要人工标注特征的传统计算方法不同，该系统采用端到端训练方式，显著降低了实施门槛。在模型验证阶段，团队不仅采用常规的交叉验证，还特别设计了跨种族、跨年龄组的亚组分析，确保算法在不同人群中的稳定性。

结果部分揭示了一系列重要发现：在TCGA-BRCA数据集中，Deep-BCR-Auto以0.827的AUROC显著优于既往弱监督模型(p=0.041)。更令人振奋的是，当应用于完全独立的OSU队列时，模型性能进一步提升至0.832 AUROC，同时保持82.0%准确率、85.0%特异性和67.7%敏感性。亚组分析显示，模型在不同人种(白人/非裔/亚裔)和年龄组(<50岁/≥50岁)中表现稳定，证实其具有广泛的临床适用性。

讨论部分强调了这项研究的双重价值：在科学层面，首次证实了深度学习可直接从H&E切片预测ODX等效评分，突破了传统基因检测的技术壁垒；在临床层面，每例患者仅需常规病理扫描即可完成评估，成本不足ODX的1/10。特别值得注意的是，该系统对男性乳腺癌患者同样有效，为这一罕见群体提供了首个经济可行的预后工具。作者M.K.K.N.等指出，这种计算方法可无缝整合到常规病理工作流程中，有望显著缩小医疗资源差距。

这项研究也存在若干局限：当前模型尚未整合临床病理参数(如肿瘤分级)，且训练数据主要来自北美人群。未来通过纳入更多元化的人群数据和开展前瞻性临床试验，将进一步优化模型的全球适用性。尽管如此，Deep-BCR-Auto已展现出替代昂贵基因检测的潜力，为实现乳腺癌精准医疗的普惠化迈出关键一步。