A spatial AI-based biomarker with independent prognostic value in early low- and intermediate- risk breast cancer
本研究表明，分析浸润前缘高风险肿瘤形态簇的空间分布，而非仅仅依赖全局切片级人工智能评分，可为识别早期低危和中危雌激素受体阳性/人表皮生长因子受体2阴性乳腺癌中的高风险患者提供一种独立的预后生物标志物。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
乳腺癌是一种人体自身的细胞开始失控生长的疾病。对于许多女性来说，最常见的类型涉及由雌激素驱动但不对一种称为HER2的蛋白质产生反应的细胞。长期以来，医生们已知其中一些癌症生长缓慢，手术后不太容易复发，而另一些则更具侵略性。为了决定谁需要额外的治疗（如化疗），病理学家会在显微镜下观察组织样本。他们根据细胞看起来有多异常来为肿瘤进行分级；低级别通常意味着较好的预后，而高级别则暗示着更高的风险。然而，这个系统并不完美。许多肿瘤看起来仅为中度异常的患者仍面临多年后癌症复发的风险，而另一些具有类似外观肿瘤的患者却能保持完全健康。挑战在于寻找一种方法，既不需要依赖昂贵的基因检测，也不需要靠猜测，就能区分这两类人群。
瑞典的一个研究小组开发了一种利用人工智能观察这些组织样本的新方法。该方法并没有仅仅给整个肿瘤一个平均分，而是密切关注特定模式出现在何处。他们发现，危险细胞出现的地点与它们存在的数量一样重要。具体而言，他们发现当高风险细胞聚集在肿瘤的最边缘——即肿瘤与健康组织交界处时，癌症复发的风险会显著升高。这一发现提供了一种新工具，可以识别哪些患者真正需要更积极的治疗，哪些可以安全地避免过度治疗，而这一切只需使用医院现有的标准显微镜载玻片即可实现。
研究人员从一个简单的想法开始：肿瘤在空间上的组织方式蕴含着简单平均分所忽略的秘密。想象一下，肿瘤不仅仅是一个均匀的肿块，而是一个拥有不同“社区”的景观。有些部分可能看起来平静且有序，而有些部分则可能显得混乱且具有侵略性。多年来，用于分析这些载玻片的人工智能模型通常被训练来观察整个图像，并产生一个代表整体风险的单一数值。虽然这些模型功能强大，但它们往往会抹平细节，将混乱的边缘与平静的中心融合为一个被稀释的单一评分。这项研究背后的团队利用来自瑞典数千名患者的数据，假设如果他们能够精确绘制出危险部分的位置，或许能找到更清晰的信号。他们将注意力集中在“浸润前沿”（invasive front）上，即肿瘤的外边界，在那里，癌细胞与周围健康组织发生相互作用并向其推进。这是一个生物学上活跃的区域，细胞经常在此改变形状以变得更具移动性和侵略性。
为了测试这一点，科学家们使用了一个包含超过6,000名早期乳腺癌患者组织样本的海量数据集。他们将这些患者分为两组：一组用于训练计算机模型，另一组完全独立的组用于测试结果，以确保发现并非偶然的巧合。他们使用一个先进的人工智能系统将每张显微镜载玻片分解成数千个微小的方块（或称“瓦片”），并分析每个方块中细胞的形状和结构。该人工智能被训练用于识别看起来像高级、侵略性癌症的模式。一旦人工智能为每一个瓦片都进行了评分，研究人员采取了与以往研究不同的做法。他们不再只是计算存在多少个高风险瓦片，而是寻找“集群”。他们提出了一个具体问题：是否存在这些高风险瓦片紧挨在一起，且位于肿瘤边缘的问题？他们将“集群”定义为一个至少有三分之二的相邻瓦片也是高风险的群体。如果这种集群出现在肿瘤前缘，该患者就会被标记为“集群阳性”。
结果令人震惊。在那些肿瘤通常被认为属于低至中等风险的患者组中，这些位于肿瘤边缘的集群的存在完全改变了预后情况。在拥有这些集群的患者中，十年内的癌症复发风险显著升高。事实上，数据显示，拥有这些集群的患者十年生存率（无复发）约为90%，低于Grade 3参考组的92.6%。另一方面，没有这些边缘集群的患者预后极佳，其十年生存率超过95%。这一“集群阴性”患者群体的情况与那些级别最低的肿瘤患者一样好，这表明他们可以接受较少侵略性的治疗。
至关重要的是，这一新标记提供了标准AI评分本身无法观察到的信息。研究人员发现，即使在那些肿瘤被整体AI评分归类为低风险的患者中，那些在边缘拥有这些特定集群的患者仍然面临更高的复发风险。这意味着细胞的空间排列揭示了一个简单的平均评分所错过的隐藏危险。该研究在瑞典另一个地区的独立患者组中证实了这些发现，证明了结果并非仅针对某一家医院或某一套载玻片。这些集群的存在与复发风险增加近三倍相关，即使在研究人员考虑了年龄或肿瘤大小等其他因素后，这一强烈的信号依然成立。
这项工作表明，癌症风险评估的未来可能在于观察肿瘤的“地图”，而不仅仅是其平均得分。通过保留高风险细胞所在的空间信息，医生可能能够识别出那些真正面临风险的患者，即使他们的肿瘤看起来大多是无害的。对于那些没有这些集群的患者来说，消息同样重要：它提供了强有力的证据，表明他们属于极低风险群体，从而可能使他们免于不必要的治疗。该研究并未声称已经解决了乳腺癌问题，但它提供了一种明确、具体的方法来完善我们对风险的理解。它表明，在复杂的肿瘤景观中，危险所在的位置与危险本身同样重要。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。