计算病理学模型用于预测接受BCG治疗的NMPUC患者无复发生存期

《npj Precision Oncology》：Computational pathology model to predict recurrence-free survival in NMPUC patients on BCG-therapy

　　

摘要

尿路上皮癌主要表现为非肌层浸润性乳头状尿路上皮癌（NMIPUC），其临床表现具有较大的多样性。准确的病理分期和分级对于有效进行风险分层和治疗决策至关重要。人工智能（AI）的进步为改进预测模型提供了新的机遇；然而，这些模型在不同数据集上的泛化能力仍有待验证。本研究开发了一个基于联邦学习（FL）的AI框架，以提高模型在不同机构间的鲁棒性，并提升对非肌层浸润性膀胱癌分期和分级的预测准确性。研究使用了来自立陶宛和台湾两家机构的1437例NMIPUC患者的回顾性数据来进行模型开发和分析。与单中心模型相比，联邦学习模型在各个参与机构中表现出更高的鲁棒性和更准确的预测结果：肿瘤分期的准确率为86.2%，肿瘤分级的准确率为79.2%，且不同数据集之间的性能差异较小。此外，这种新的基于组织学特征的复发风险因子在经BCG免疫治疗的NMIPUC患者中表现优于传统的无复发生存（RFS）预测指标，在立陶宛和台湾的数据集中，其风险比分别为2.7（p = 0.0018）和2.8（p = 0.0208）。这些发现凸显了联邦学习和基于组织学特征的AI模型在NMIPUC风险分层方面的潜力，并为个性化临床干预提供了有益的见解。