Mammography-Based Deep Learning Radiomics for Predicting HER2 Expression in Breast Cancer: A Dual-Center Study with Focus on HER2-Low Status
这项双中心研究表明，基于 Visformer 架构的乳腺 X 线摄影影像组学深度学习模型可以无创且可靠地预测乳腺癌患者的 HER2 阳性与 HER2 阴性状态，以及 HER2 低表达与 HER2 零表达状态。
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
乳腺癌仍然是全球女性中最常见的恶性肿瘤，在这种疾病中，肿瘤特定的生物学构成决定了治疗路径。在医生用来了解肿瘤的众多标志物中，一种被称为 HER2 的指标尤为关键。在大约五分之一的新诊断病例中，癌细胞携带大量这种蛋白质，这种情况被称为 HER2 阳性。这些肿瘤往往生长得更具侵略性，但它们对旨在攻击该蛋白质的特定靶向疗法反应良好。几十年来，识别这些肿瘤的标准方法是对被称为“活检”的小块组织样本进行取样，并在显微镜下进行观察。然而，医学理解领域最近出现了一种新的类别：HER2 低表达（HER2-low）。这些肿瘤携带的蛋白质不足以被称为阳性，但又拥有足以可能对新一代强力药物产生反应的蛋白质量。区分完全没有 HER2 的肿瘤与那些含有少量 HER2 的肿瘤，现在是一个至关重要的临床问题，但传统的检测方法依赖于侵入性程序，由于细胞在肿瘤内分布不均，有时可能会误判。
一个研究小组致力于研究是否可以通过一种不同的、非侵入性的方法来解决这个问题。他们转向了乳腺 X 线摄影（Mammography），这是用于乳腺癌筛查的标准 X 射线成像技术，对大多数女性来说既普及又熟悉。该团队并没有仅仅依靠放射科医生对图像的视觉检查，而是应用了一种称为深度学习影像组学（Deep Learning Radiomics）的技术。这一过程涉及将数字乳腺 X 线图像输入到一个能够检测人类肉眼难以察觉的细微模式和纹理的计算机系统中。研究人员想知道，这些隐藏的数字特征是否可以在任何手术或活检之前预测出肿瘤的 HER2 状态。他们专注于两个特定的挑战：首先，区分 HER2 阳性肿瘤与非阳性肿瘤；其次，将新出现的重要的 HER2 低表达组与零 HER2 表达组区分开来。
为了测试他们的想法，研究人员收集了来自两家不同医疗中心的 546 名确诊乳腺癌女性的数据。他们将患者分为若干组用于训练计算机模型，并用于测试模型，以确保结果不仅仅是基于单一数据集的偶然猜测。计算机系统分析了乳腺 X 线图像，提取了关于肿瘤形状、纹理和密度的数千个微小的数值细节。通过结合多个不同数学模型的预测，该团队创建了一个单一且稳健的工具，旨在做出最终判断。结果表明，这种数字方法确实能够“看见”这种差异。在尝试将 HER2 阳性肿瘤与其他类型区分开时，该模型在初始测试中表现出了极高的准确度，虽然在针对来自另一家医院的全新患者组进行测试时性能略有下降，但它仍然保持了区分各组的可靠能力。
当研究团队专注于区分 HER2 低表达肿瘤与无 HER2 肿瘤这一困难任务时，发现结果更加令人鼓舞。在初始训练阶段，模型非常成功，并且在应用于外部患者组时也保持了相当好的稳定性。研究还调查了医生用于评估风险的传统因素，如肿瘤大小、患者年龄和乳腺组织密度。他们证实，某些特征（如高等级的肿瘤细胞和快速的细胞分裂率）与 HER2 阳性状态密切相关。同样，他们发现激素受体状态和乳腺密度在识别 HER2 低表达肿瘤方面也发挥了作用。然而，计算机模型直接从 X 射线图像中预测这些状态的能力，提供了一个不依赖于这些其他变量本身的全新洞察维度。
研究人员承认其工作存在局限性。由于该研究是回顾过去患者记录而非前瞻性地追踪新患者，因此存在数据选择引入偏差的可能性。此外，由放射科医生手动勾画 X 射线上的肿瘤区域，也意味着该过程尚未实现完全自动化。再者，尽管患者数量相当可观，但还不足以保证结果在每种可能的情况下都能成立。尽管存在这些限制，研究仍表明，通常被视为仅作为寻找癌症工具的乳腺 X 线摄影，或许也可以作为观察疾病分子本质的一个强有力窗口。通过提供一种非侵入性的方式来估算 HER2 状态，这种方法未来可能帮助医生做出更明智的治疗决策，从而潜在地减少重复活检的需求，并确保患者能更快地接受正确的靶向治疗。这项工作并非声称要取代目前的组织检测金标准，而是指向了一个影像学与人工智能协同工作，在动用一根针进行采样之前，就能提供更清晰、更完整的疾病图景的未来。
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。