基于超声引导和全切片图像的深度学习框架在乳腺癌分子亚型分型中的应用：一项多中心回顾性研究

《npj Precision Oncology》：Ultrasound-guided deep learning framework with whole slide images for molecular subtyping of breast cancer: a multicentre, retrospective study

　　

摘要

准确的乳腺癌分子亚型分类对于个性化治疗至关重要，但由于肿瘤的异质性以及取样限制，活检结果与术后免疫组化检测结果之间存在差异，这给临床工作带来了挑战。我们提出了超声引导的病理亚型分类方法（US-GPS），这是一种跨模态框架，能够在训练过程中借助免疫组化染色的全切片图像作为指导，仅通过超声数据即可预测亚型。研究共纳入了来自四个中心的1283名患者，其中454例（配有超声数据和全切片图像）用于模型训练和验证，829例仅提供超声数据用于外部测试。US-GPS通过共注意力机制和对比学习，将全切片图像中提取的斑块级和区域级特征（来自HER2、ER、PR、Ki-67等免疫组化标记）与人工设计的超声特征以及深度学习生成的超声特征相整合。仅使用超声数据时，该模型在内部验证中的AUROC值为0.966（95%置信区间为0.960–0.991），这一数值与仅依赖病理学结果的模型（0.971）及结合两种数据的模型（0.980）相当，且优于仅使用超声数据的模型（0.861）。该模型的性能在内部验证数据集（AUROC值范围为0.930–0.942）以及所有外部测试数据集（AUROC值范围为0.915–0.963）中均保持稳定。US-GPS实现了可扩展、无创且易于理解的亚型分类方法，有望为治疗前的决策制定以及长期监测肿瘤的分子表型变化提供帮助。