共计 1775 个字符，预计需要花费 5 分钟才能阅读完成。
根据首届欧洲肿瘤内科学会人工智能与数字肿瘤学大会公布的最新研究，一项创新的深度学习模型展现出了卓越的能力。该模型仅通过分析常规的组织病理学图像，无需依赖昂贵的基因检测，就能精准预测激素受体阳性、HER2 阴性乳腺癌患者的复发风险，并有效评估他们从化疗中可能获得的潜在益处。这项突破性技术有望为发展中国家的临床医生提供强大的支持，使他们仅凭苏木精 - 伊红染色切片图像，就能推断出关键的 Oncotype DX®乳腺癌复发评分，从而可能帮助大量低风险患者避免不必要的化疗。
“这项技术对目前主要依赖临床风险进行化疗决策的地区可能产生重要影响，尤其有助于减少激素受体阳性、HER2 阴性乳腺癌患者的过度治疗，”该研究报告的作者、以色列理工学院 Gil Shamai 博士表示。
- 
- 
研究背景：基因检测的局限与新方法的机遇
目前，基因检测已显著优化了激素受体阳性、HER2 阴性乳腺癌患者的化疗决策流程。例如，Oncotype DX 复发评分作为一项成熟的基因表达检测，已被纳入美国国家综合癌症网络乳腺癌临床实践指南并获得优先推荐。基于 TAILORx 临床试验的结果，现行指南建议复发评分≥26 的患者在标准内分泌治疗基础上加用化疗，这类患者最可能从附加化疗中获益。
然而，Shamai 博士指出，基因检测成本高昂且耗时，在发展中国家难以广泛普及。因此，在这些地区，治疗决策往往更依赖于传统的临床风险评估。以印度为例，约有 85% 的激素受体阳性、HER2 阴性乳腺癌患者接受了化疗。
Shamai 博士及其团队正是看到了这一巨大的未满足需求，尝试利用深度学习技术，直接根据常规组织病理图像来预测患者的 Oncotype DX 评分。“因为这种方法能提供更经济、更快速的解决方案，在基因检测可及性较低的地区尤其适用，”他解释道。,
模型训练过程：从海量数据到精准预测
研究团队以先进的 GigaPath 基础模型为起点开展研究，该模型已通过 171,189 张苏木精 - 伊红染色切片进行了预训练，具备了强大的图像理解基础。具体的处理流程包括：首先对切片进行精细的组织与背景分割，随后将其划分为小型图像区块；模型通过先进的 transformer 编码器和多示例学习技术提取图像深层特征，并结合临床变量对切片进行标注，最终确定 Oncotype DX 复发评分。为了确保模型的准确性和普适性，研究团队随后使用了 TAILORx 试验中的 2,407 例患者数据，以及来自全球六个外部独立队列的 13,781 例患者数据，对模型进行了细致的微调与严格验证。,
模型验证结果：媲美基因检测的预测效能
在 TAILORx 验证集中的测试结果令人鼓舞。基于人工智能生成的复发评分（风险比 =2.88，95% 置信区间 1.73-4.79）与传统的基因组 Oncotype DX 复发评分（风险比 =2.60，95% 置信区间 1.56-4.33）在预测患者无远处复发生存方面，展现出了高度相似的风险分层能力。这种优异的一致性在不同患者亚组（如绝经前与绝经后患者）中也得到了保持。
进一步的分析揭示了模型在指导治疗决策方面的潜力。对于绝经后患者，若其人工智能复发评分在 11-26 分之间，则加用化疗并未改善其无复发生存（风险比 =0.95，95% 置信区间 0.71-1.27）。而对于绝经前患者，若评分在 16-26 分之间，接受化疗后其无复发生存则有了显著改善（风险比 =0.55，95% 置信区间 0.36-0.82）。
“这使我们的模型成为首个基于数字病理学的循证预测检测工具，”Shamai 博士强调。
该模型在澳大利亚、以色列和美国队列的独立验证中，同样表现出了高度的预测普适性，其曲线下面积达 0.832 至 0.903。“这表明基础模型的方法具有良好的可迁移性，能够适应新的数据，”研究团队表示。
为了评估该模型在发展中国家可能产生的实际影响，研究人员采用 MINDACT 临床试验的临床风险标准，对 TAILORx 试验的患者进行了重新评估。结果显示，模型将其中 5.4% 按 MINDACT 标准判定为低危的患者重新归类为高危，同时将 30.1% 原判为高危的患者调整为低危。这一调整提示后者可能无法从化疗中获益，从而避免了潜在的过度治疗，这对于医疗资源有限的地区意义重大。
Shamai 博士透露，研究团队正计划在印度启动一项临床试验，以进一步验证该基础模型在实际医疗环境中的效果，推动这项人工智能技术早日惠及全球更多患者。
