AI诊断能否帮助医生为乳腺癌制定更精准的治疗决策？
在最近发表于《自然通讯》的一篇文章中，Owkin公司初步推出的RlapsRisk® BC利用人工智能为乳腺癌诊断带来了新的洞察力，帮助揭示哪些患者可能面临复发风险。
临床困境
尽管在诊断和治疗方面取得了显著进展，乳腺癌仍然是全球女性癌症死亡的主要原因。对于许多患者，尤其是早期诊断出乳腺癌的患者来说，一个关键问题是能否安全避免化疗的严重副作用以及对生活质量的长期影响。随着靶向治疗选择的增多，患者也想知道他们是否有资格接受精准疗法，例如CDK4/6抑制剂。
对于肿瘤学家而言，为每位患者确定最佳治疗策略需要仔细评估多种因素。准确的风险评估是其决策过程的核心，因为它直接影响推荐治疗的强度和持续时间。当评估显示存在高远处复发风险时，医生可能需要考虑更具侵略性的治疗方法或延长治疗方案。相反，对于被认定为低风险的患者，肿瘤学家可以放心推荐较温和的治疗计划，帮助患者避免不必要的治疗及其相关副作用，同时保持良好的治疗效果。
预测乳腺癌复发的挑战
评估患者复发的可能性并非易事。乳腺癌在不同患者亚组中表现各异，受遗传差异、临床因素和疾病标志物的影响。对于ER+/HER2-浸润性乳腺癌这一最大亚组（约占所有乳腺癌的70%），肿瘤学家需要从广泛的预后结果和治疗选项中筛选信息。
此外，目前用于评估风险的方法——基于临床和组织病理学因素计算的预后评分或分子测序——无法准确分类所有乳腺癌患者亚组。这些方法在不同程度上难以区分中等风险人群，并在特定亚组中表现不佳。此外，一些方法如基因检测成本高昂，并非总能广泛使用。测试结果的变异性、适应症限制以及许多医疗系统中的有限报销政策对其广泛应用提出了挑战。
AI诊断改善复发风险评估的前景
如今，预后评估正在借助人工智能和机器学习应对生物学和临床挑战。近期研究突出了深度学习在利用全切片图像（WSI）预测患者预后和识别乳腺癌预后特征方面的潜力。数字病理学正逐渐成为常规临床实践的一部分，生物标志物评估有助于简化测试、完善预后并指导更明智的治疗决策。
Owkin开发了一种AI诊断工具，用于直接从H&E染色全切片图像（WSI）预测早期浸润性乳腺癌患者（ER+/HER2-）的复发风险。在初步产品版本的验证测试中，RlapsRisk® BC仅凭H&E图像就能提供强有力的复发风险预后指标。当RlapsRisk® BC结合临床病理学因素时，它能够有效地将患者分为低风险和高风险群体，在整个人群和关键临床亚组中展现出强大的区分能力。即使在预后困难的亚组（如组织学分级2级）中，这种分层性能依然成立。在本研究中，RlapsRisk® BC原型将验证队列中78%的患者归类为低风险，其余22%被标记为高风险。正如预期，高风险组中有更高比例的患者复发（10%），而低风险组中仅有极少数患者复发（1.3%）。这表明RlapsRisk® BC是一种高效的复发风险评估工具。此外，与单独使用临床病理学因素相比，联合模型的改进性能还表明，RlapsRisk® BC对WSI的评估利用了传统评分方法未能捕捉或利用的组织内额外信息。
可解释性分析凸显数字病理学在风险评估中的重要性
就像研究雨林需要超越单棵树木去理解它们如何与周围植被、土壤条件和更广泛的生态系统相互作用一样，病理学家和肿瘤学家通过检查疾病及其环境获得了宝贵的信息。虽然基因检测针对特定分子标志物，但RlapsRisk® BC分析整个组织景观，包括血管形成和组织结构等关键特征，以生成预后评分。
检测血管结构和组织组织中细微模式的能力可以揭示可能被忽视的重要癌症进展指标。这些见解结合传统诊断方法，使医疗服务提供者能够就患者护理做出更精确和明智的决策，从而潜在识别需要更强化治疗的病例。
结论
在乳腺癌治疗进展与当前复发风险评估方法局限性之间，很难在治疗领域中导航以确保患者获得最适合其癌症的有效护理计划。RlapsRisk® BC旨在通过将源自AI组织分析的独立预后因素纳入评估，帮助肿瘤学家更精确地评估患者的复发风险。该产品原型的临床验证表明，RlapsRisk® BC在比传统方法更好地分层乳腺癌患者方面具有潜力，即使是在通常难以定义的亚组中也是如此。RlapsRisk® BC为AI患者预后预测解决方案铺平了道路，利用数字病理学解锁更精准的治疗分配，造福肿瘤学家及其患者。
(全文结束)
