Noninvasive Prediction of HER2 Expression in Bladder Cancer Using a Machine Learning Model Based on Ultrasound Radiomics: Facilitating Precision Screening for ADC Targeted Therapy
本研究开发并验证了一种基于超声影像组学的可解释机器学习模型，该模型能够准确预测膀胱癌患者术前的 HER2 表达状态，从而为抗体偶联药物靶向治疗的个性化筛查提供便利。
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
膀胱癌是一种常见且通常具有侵略性的疾病，会影响泌尿系统。虽然医生有时可以控制早期病例，但癌症经常会复发或向膀胱壁深处生长，导致患者的预后变得更加严重。这种疾病行为的一个关键因素是癌细胞表面一种被称为 HER2 的特定蛋白质。当这种蛋白质大量存在时，它就像一种燃料，帮助肿瘤生长和扩散。近年来，医生开发出了强大的新药，旨在寻找并攻击携带这种蛋白质的细胞。然而，这些治疗仅在患者的肿瘤确实携带该蛋白质时才有效。目前，确定患者是否具有这种蛋白质的唯一方法是进行活检，即由外科医生切除一小块膀胱组织并在显微镜下进行检查。这个过程具有侵入性，会让患者感到不适，并且由于它只采样了肿瘤的一小部分，如果蛋白质在整个肿块中分布不均，可能会漏掉该蛋白质。
兰州大学第二医院的研究人员致力于寻找一种无需切入体内即可观察到这种蛋白质更好的方法。他们转向了一个被称为“影像组学”的领域，该领域不仅将医学图像视为人类肉眼可见的图片，还将其视为海量的隐藏数据来源。当医生看超声图像时，看到的是肿瘤的形状和亮度；而计算机可以分析像素中成千上万个肉眼无法察觉的微小模式。这些模式可以揭示肿瘤内部结构及其生物学构成方面的细节。该团队想要了解，他们是否可以利用标准超声扫描中的这些隐藏模式来预测膀胱肿瘤是否富含 HER2 蛋白质，从而在任何手术之前，帮助医生决定哪些患者能从新的靶向药物中获益。
为了测试这个想法，研究人员回顾了 270 名被诊断为膀胱癌并在手术前接受过超声扫描的患者的医疗记录。每位参与研究的患者在肿瘤移除后都接受了组织检查，以确定其真实的 HER2 状态。随后，团队提取了这些肿瘤的超声图像，并使用专门的软件从每张图片中提取了 1,288 个不同的数值特征。这些特征描述了从肿瘤表面的纹理到其内部亮度分布的一切内容。由于拥有如此多的数字可能会让计算机模型感到困惑，研究人员使用了一种统计方法来过滤掉噪声，仅保留了有助于区分含有该蛋白质与不含该蛋白质肿瘤的五个最重要的特征。
有了这五个关键特征，团队构建了四种不同的计算机模型，以观察哪一种能最好地预测蛋白质的存在。他们在大部分患者数据上训练了这些模型，然后通过剩余的病例对它们进行测试，以观察它们的表现如何。结果显示，一种被称为 XGBoost 的特定类型的模型最为准确。在对未见过的患者进行测试时，该模型以高度的可靠性正确识别了 HER2 状态，其得分表明具有很强的预测能力。研究人员还使用了一种技术使模型的决策过程变得清晰，从而能够准确看到哪些图像特征驱动了预测。这种透明度至关重要，因为它有助于医生相信计算机是在观察真实的生物信号，而非随机噪声。
研究结论认为，这种方法为在患者接受手术前筛查 HER2 表达提供了一种极具前景的非侵入性方式。通过使用简单的超声扫描和计算机模型，医生有可能识别出哪些患者可能对新的靶向疗法产生反应，从而避免让其他患者接受不必要的治疗。研究人员承认，他们的工作是基于单一医院的数据，且样本量虽然可观，但尚不足以作为最终定论。他们还指出，他们的模型使用的是标准的黑白超声图像，尚未包含更先进的显示血流的成像技术。尽管存在这些局限性，研究结果仍表明，常规超声图像中的不可见细节蕴含着关于膀胱癌分子性质的重要线索，为未来实现个性化治疗提供了新工具。
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。