發(fā)布時間： 2025-10-29 09:31:47
導(dǎo)讀
三陰性乳腺癌（TNBC）是乳腺癌中最具侵襲性的亞型，復(fù)發(fā)率較高，治療效果不理想，其診斷目前主要依賴免疫組織化學(xué)法，但該方法耗時且成本較高，而預(yù)后分層仍受限于傳統(tǒng)臨床病理特征。既往研究雖然應(yīng)用人工智能技術(shù)進行TNBC識別或預(yù)后預(yù)測，但多數(shù)研究隊列規(guī)模較?。ㄍǔＩ儆?00例TNBC患者），且多聚焦于單一任務(wù)，缺乏多中心驗證和系統(tǒng)化整合。因此，本研究旨在開發(fā)一個基于H&E染色全切片圖像的AI系統(tǒng)，以解決TNBC綜合管理中的診斷和預(yù)后挑戰(zhàn)。
2025年11月，浙江大學(xué)醫(yī)學(xué)院附屬第一醫(yī)院Hao Chen教授和Xiu-Ming Zhang團隊在eClinicalMedicine發(fā)表了一項多中心回顧性研究，結(jié)果顯示開發(fā)的TRIP系統(tǒng)在TNBC識別中內(nèi)部驗證AUC達0.980，外部驗證AUC為0.853-0.927，預(yù)后預(yù)測C-index為0.720-0.747，表明該系統(tǒng)能準(zhǔn)確識別TNBC并預(yù)測生存結(jié)局，具有潛在臨床轉(zhuǎn)化價值。
圖1 研究設(shè)計概述
研究方法
本研究采用多中心回顧性設(shè)計，納入標(biāo)準(zhǔn)為組織學(xué)確認(rèn)的乳腺癌患者、具備H&E染色全切片圖像和完整臨床病理信息，排除標(biāo)準(zhǔn)包括五年內(nèi)其他同步惡性腫瘤或曾接受新輔助化療。研究人群來自中國五家三級醫(yī)院和TCGA數(shù)據(jù)集，患者被分為訓(xùn)練隊列（FAH內(nèi)部80%）、內(nèi)部驗證隊列（FAH內(nèi)部20%）和外部驗證隊列（如SDPH、SRRS等），主要結(jié)局指標(biāo)為TNBC識別（通過AUC、敏感性等評估）和預(yù)后預(yù)測（疾病無生存期和總生存期，通過C-index評估），其中TNBC定義基于IHC陰性標(biāo)準(zhǔn)。
主要結(jié)局指標(biāo)采用深度學(xué)習(xí)模型TRIP進行分析，該系統(tǒng)整合了病理基礎(chǔ)模型和雙向Mamba編碼器進行特征提取和聚合，使用AUC和C-index作為性能指標(biāo)，并采用DeLong's檢驗和log-rank檢驗進行統(tǒng)計比較，旨在通過長序列建模捕獲全局上下文特征，提升模型魯棒性和可解釋性。
研究結(jié)果
TNBC識別性能
TRIP系統(tǒng)在內(nèi)部驗證隊列中TNBC識別的AUC為0.980（95% CI: 0.958-0.996），外部驗證隊列AUC為0.860-0.936，顯著優(yōu)于MaxMIL和AttMIL模型（P值<0.0001）。該結(jié)果表明TRIP系統(tǒng)在多樣本隊列中具有高診斷準(zhǔn)確性和泛化能力。詳見圖2。
圖2 三陰性乳腺癌識別的受試者工作特征（ROC）曲線
預(yù)后預(yù)測性能
TRIP系統(tǒng)在內(nèi)部隊列中疾病無生存期和總生存期預(yù)測的C-index分別為0.747±0.070和0.744±0.075，外部驗證隊列C-index為0.720-0.732，Kaplan-Meier分析顯示高風(fēng)險和低風(fēng)險組生存差異顯著（log-rank P值<0.0033）。這說明TRIP能有效分層TNBC患者預(yù)后。詳見圖3。
圖3 Kaplan-Meier 分析用于總生存期分析和無病生存期分析
模型解釋性分析
熱圖顯示TNBC關(guān)鍵組織學(xué)特征包括核異型性、壞死和免疫冷微環(huán)境，而淋巴細(xì)胞浸潤預(yù)示更好預(yù)后；幾何和紋理特征定量分析驗證了這些模式。該結(jié)果增強了AI系統(tǒng)的可解釋性和臨床可信度。詳見圖4。
圖4 TNBC識別和預(yù)后預(yù)測（TRIP）系統(tǒng)在病理圖像上的熱圖
多組學(xué)驗證
差異基因表達和通路分析識別出三個分子亞群（C1-C3），其中C2與免疫激活相關(guān)、預(yù)后較好，C3與上皮間質(zhì)轉(zhuǎn)化相關(guān)、預(yù)后較差，與TRIP風(fēng)險分層一致。這表明預(yù)后預(yù)測具有分子基礎(chǔ)支持。詳見圖5。
圖5 三陰性乳腺癌樣本的整合多組學(xué)分析
舟舟點評
研究前證據(jù)方面，國內(nèi)外現(xiàn)有AI研究多局限于小樣本隊列或單一任務(wù)，且依賴人工標(biāo)注特征，導(dǎo)致泛化性和臨床整合不足，凸顯了TNBC管理中的證據(jù)空白。研究附加值時，本團隊通過大規(guī)模多中心數(shù)據(jù)驗證了TRIP系統(tǒng)的診斷和預(yù)后效能，并引入雙向Mamba架構(gòu)和測試時自適應(yīng)策略，為AI在病理學(xué)中的應(yīng)用提供了更穩(wěn)健的方法學(xué)支持。對現(xiàn)有證據(jù)的影響而言，本研究結(jié)果有望優(yōu)化TNBC的臨床工作流程，減少IHC依賴，但需前瞻性試驗驗證其術(shù)前應(yīng)用價值，未來應(yīng)整合多模態(tài)數(shù)據(jù)以提升個性化醫(yī)療潛力。
上一篇：10.13-10.19臨床預(yù)測模型研究頂刊快報
下一篇：預(yù)測兒童及青少年睫狀肌麻痹等效球鏡度：基于非睫狀肌麻痹數(shù)據(jù)與機器學(xué)習(xí)方法
