利用人工智能驱动的诊断技术提升乳腺癌新辅助治疗后的淋巴结转移评估准确性

《Breast Cancer Research》：Enhancing lymph node metastases assessment in breast cancer post-neoadjuvant therapy using artificial intelligence-driven diagnostics

　　

摘要

背景

新辅助治疗对于局部晚期乳腺癌而言至关重要，但由于组织学变化，新辅助治疗后的淋巴结评估颇具挑战。目前的免疫组化等方法不仅工作量大，而且在区分孤立肿瘤细胞、微转移灶和巨转移灶方面准确性不足。我们旨在开发并验证一种基于人工智能的模型，用于准确判断新辅助治疗后的乳腺癌患者淋巴结转移状况（阴性、孤立肿瘤细胞、微转移灶、巨转移灶）。

方法

我们采用了弱监督下的聚类约束注意力多实例学习框架，分析了来自7个研究组的7764个淋巴结样本。该模型能够识别全切片图像中的高诊断价值区域，并生成高分辨率的可解释性热图。通过二元分类和多类别分类指标对模型性能进行评估，同时还在多种不同数据集上进行了外部验证。此外，还对24份患者来源的淋巴结切片进行了人工与人工智能的对比分析。

结果

该人工智能模型在二元分类中的AUROC值为0.97（95%置信区间：0.962–0.977），在多类别分类中的总体准确率为0.8436（95%置信区间：0.8282–0.8562）。在人工与人工智能的对比中，该模型的表现优于初级病理学家，使诊断差异降低了83%。

结论

本研究构建了一种高效可靠的人工智能模型，显著提升了乳腺癌新辅助治疗后淋巴结转移评估的准确性和效率，实现了自动分类，同时减轻了病理学家的工作负担。