利用深度学习结合多模态信息可预测早期乳腺癌的无病生存期及辅助治疗的疗效

《npj Breast Cancer》：Predicting early-stage breast cancer disease-free survival and adjuvant therapy benefit from multimodal information using deep learning

　　

摘要

准确预测无病生存期对于制定个性化的辅助治疗方案以及改善早期乳腺癌患者的临床预后至关重要。本研究开发了一种基于深度典型相关分析的多模态深度学习模型，该模型整合了多参数磁共振成像数据——包括动态增强磁共振成像和弥散加权成像——以及临床文本数据，用以预测无病生存期并识别可能从辅助治疗中获益的患者。这项多中心回顾性研究共纳入1,120名早期乳腺癌患者（训练组，n?=?459；外部验证组，n?=?661）。在该模型中，训练组的无病生存期预测一致性指数为0.742（95%置信区间：0.662–0.821），外部验证组则为0.735（95%置信区间：0.667–0.803）。在调整了临床病理变量后，该模型的预测评分仍是一个独立的预后因素（所有P值均＜0.05）。在HER2阳性、激素受体阳性且肿瘤处于T2期的亚组中，低预测评分的患者从辅助治疗中获得了显著的生存益处，而高预测评分的患者则未显示出统计学上的显著关联。对19名患者的转录组分析表明，高预测评分与免疫激活以及细胞周期和嘌呤代谢通路的活跃有关。该模型能够实现无创的无病生存期预测和复发风险分层，同时还有助于初步筛选出可能从辅助治疗中获得不同程度益处的患者。