A deep-learning model based on histological images predicts survival and pathological response to neoadjuvant chemotherapy and chemoimmunotherapy in breast cancer
本研究提出了一种深度学习模型，该模型能够直接从常规的 H&E 组织学图像中准确推断出经过临床验证的免疫基因表达特征，用于预测早期乳腺癌患者的生存期以及对新辅助化疗和化疗免疫治疗的病理反应，为转录组分析提供了一种可扩展的替代方案。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一名试图在一个微小而繁忙的城市里破案的侦探。在这个城市里——也就是人体——街道是由细胞构成的。有时，一群细胞会变得叛逆，开始建造一个混乱且危险的社区，叫做肿瘤。几十年来，医生们一直只能靠猜测来判断这个社区会如何表现：它是会保持规模较小？还是会扩散？它会听从药物的指挥吗？为了找出答案，他们通常会取出一小块城市的样本，用紫色和粉色的染料（这个过程称为 H&E 染色）进行染色，然后在显微镜下观察。这就像是在通过看一张模糊的地图来预测天气。
最近，科学家们发现了一种更好的解读地图的方法：他们可以测量细胞的“低语”。通过观察细胞内部的遗传密码（DNA 指令），他们可以计算出附近隐藏了多少“士兵”细胞（免疫细胞）。如果有很多士兵，说明身体已经准备好战斗，肿瘤在接受特殊药物治疗时很可能会缩小。这被称为“基因表达特征”。这是一个强大的工具，但它既昂贵又缓慢，而且需要并非每家医院都配备的特殊设备。这就像是只需要一台超级计算机就能检查天气一样。因此，科学家们面临的一个重大问题变成了：我们能否通过观察那张旧的、简单的、紫粉色的地图，并利用一个超级聪明的计算机大脑（人工智能）来准确预测那些昂贵的基因测试会显示什么？如果我们能做到这一点，我们就能在没有高昂成本或漫长等待的情况下，预知癌症的未来。
这正是 François Bertucci 领导的团队致力于完成的任务。他们构建了一个数字侦探，一个他们称为“AI-ICR”的人工智能模型，旨在通过观察常规的乳腺癌显微镜切片，在无需进行基因测试的情况下，预测“士兵数量”。
以下是他们训练这个数字侦探的过程。首先，他们不仅教它了解乳腺癌，还教它了解十种不同类型的癌症，包括肺癌、皮肤癌和结肠癌。他们使用了来自癌症基因组图谱（TCGA）的 2,881 张显微镜切片的庞大库，并配对了每张切片的实际基因测试结果。AI 学习识别紫色和粉色染色中的视觉模式，这些模式与“士兵”基因的存在相匹配。你可以把它想象成教一个孩子通过形状和颜色来识别风暴云，即使他们从未见过雨。一旦 AI 掌握了这项技能，团队就在来自同一库的 1,087 名乳腺癌患者的新群体上测试了它。结果如何？AI 的准确率惊人。它正确预测“士兵”状态的概率为 93.7%，这个得分已经非常接近计算机在该领域所能达到的完美水平。
但了解状态仅仅是成功的一半；真正的问题是：这是否能帮助医生挽救生命？团队发现答案是肯定的。他们发现，那些被 AI 标记为“AI-ICR-高”（意味着 AI 看到了大量的士兵）的患者，其生存机会要好得多。事实上，与“AI-ICR-低”肿瘤的患者相比，这些患者的死亡风险不到前者的三分之一。这就像是有一个天气预报告诉你：“你处于安全区”，而不是“你正处于风暴中”。
最令人兴奋的部分涉及治疗。团队观察了接受“新辅助”治疗（即在手术前接受化疗及有时是免疫治疗以缩小肿瘤）的患者。他们想看看 AI 是否能预测谁能实现“病理学完全缓解”（pCR）。这就是治疗中的“圣杯”：当手术进行时，医生发现体内已完全没有癌细胞残留。
AI-ICR 模型就像是一个水晶球。在接受标准化学疗法的患者组中，那些具有“AI-ICR-高”肿瘤的患者在术后实现零癌残留的概率为 65%，而“低”组仅为 30%。但真正的奇迹发生在加入免疫治疗（唤醒士兵的药物）之后。在这一组中，“AI-ICR-高”患者实现无癌残留的成功率达到了惊人的 81%，而“低”组仅为 36%。AI 不仅预测了谁能生存，还预测了谁最有可能对治疗产生完全反应。
科学家们还通过“查看引擎盖下”的方式研究了为什么 AI 如此出色。他们检查了被 AI 标记为“高”的肿瘤的遗传数据，发现这些肿瘤确实充满了免疫基因和活跃的士兵细胞。AI 不仅仅是在瞎猜；它看到了隐藏在切片色彩中的生物学现实。
然而，作者们也谨慎地指出，这并不是一个明天就能应用到每家医院的成品。他们承认这项研究存在一些局限性。例如，“AI-ICR-高”组往往拥有已知具有侵略性的肿瘤（如三阴性乳腺癌），这有点像是一个复杂的组合：AI 正确地将它们识别为高风险，但也正确地识别出它们是最有可能对强效免疫增强药物产生反应的群体。该研究还依赖于新旧切片类型的混合使用，团队指出，未来的工作需要在更大规模的人群和不同类型的组织样本中验证这些结果。
最后，这篇论文暗示了一个令人兴奋的可能性：我们可能很快就能通过一个简单的、廉价的显微镜切片和一个聪明的计算机，来告诉我们乳腺癌将如何表现以及哪些药物效果最好。它将复杂的、昂贵的基因测试变成了一种如同看图一样简单的事情，从而可能让精准医疗惠及每一个人，而不只是那些能够接触到高科技实验室的幸运儿。AI 不仅仅是在阅读地图；它学会了在第一滴雨落下之前，就预见了风暴的到来。
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。