研究人员训练并验证了一个深度学习的人工智能模型，以识别不太可能从BCG（卡介苗）治疗中获益的高风险非肌层浸润性膀胱癌（NMIBC）患者。
基于人工智能的组织学检测可以识别出具有较高复发、进展、对膀胱内卡介苗无反应以及可能需要进行膀胱切除术的高风险非肌层浸润性膀胱癌病例，这将有助于临床决策。
在944例高风险NMIBC病例中，34.1%被诊断为高级别Ta期，54.8%为高级别T1期，11.1%仅为原位癌（CIS），31.4%有CIS。研究人员使用303个病例训练了深度学习计算组织学人工智能（CHAI）模型，以识别在经尿道膀胱肿瘤切除术（TURBT）前获得的组织样本数字化图像中的不良特征。CHAI平台检查了600个特征，并测量了肿瘤微环境特性，包括表明肿瘤侵袭性的特征、核和细胞多形性、有丝分裂活性和免疫浸润。
在641名患者的验证队列中，CHAI平台识别出“高复发风险”患者，这些患者发生高级别复发或死亡的风险显著增加了2.1倍，而“低复发风险”患者则没有这种风险。德克萨斯大学医学分部加尔维斯顿分校的Stephen B. Williams博士及其同事在《泌尿外科杂志》上报道，处于“高进展风险”的患者进展或死亡的风险显著增加了3.9倍，膀胱切除术的风险显著增加了3.4倍，而“低进展风险”组则没有这种风险。具有BCG无反应疾病特征的病例比没有该特征的病例更快地出现无反应疾病，快2.3倍。
复发和进展的人工智能模型独立于个体临床病理特征和EORTC及EAU风险模型，后者存在局限性。然而，多灶性病例更容易复发，T1期病例更容易进展，这些信息已包含在相应的模型中。
Williams博士团队总结说：“人工智能检测提供了超出临床病理因素的预测信息。识别出不太可能对膀胱内BCG治疗产生良好反应的高风险NMIBC患者是一个未满足的需求，这可能有助于更有效地选择治疗方法和临床试验入组。”
研究的一个重要限制是只有66%的病例接受了足够的BCG治疗。
在一篇附带的社论中，来自马里兰州贝塞斯达国立卫生研究院国家癌症研究所的Baris Turkbey博士指出，“从人工智能研究的角度来看，这项研究的大规模多中心人群和他们识别与不良肿瘤结局相关的病理特征的能力对于转化型人工智能实践至关重要。进一步在更大队列中验证这一预后人工智能模型将是确认其临床效用的关键。”
披露：这项研究部分由Valar Labs支持。请参阅原文获取完整的披露列表。
(全文结束)
