Development and external evaluation of MRI and clinical models for pathological complete response in breast cancer
这项研究发现，将固定的治疗前 MRI 信号摘要添加到临床模型中，并未显著提高对乳腺癌病理学完全缓解的外部预测能力，这表明在将此类 MRI 数据用于治疗反应沟通之前，需要对其校准度、不确定性和临床效用进行进一步评估。
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
在女性接受乳腺癌手术之前，医生通常会先使用强效药物来缩小肿瘤。这种被称为“新辅助治疗”的方法有时可以完全消除癌症，这种结果被医生称为“病理学完全缓解”。当这种情况发生时，肿瘤消失得如此彻底，以至于病理学家在显微镜下无法发现任何残留的癌细胞。实现这一结果是一项重大胜利，因为它与更好的长期生存率相关，尤其是对于这类疾病中的侵略性类型。然而，在治疗开始前预测谁能实现这种完全消失是非常困难的。目前，医生依靠基本信息，如患者年龄和肿瘤的特定生物标志物来进行此类评估。长期以来的疑问在于，加入利用磁共振成像（MRI）对肿瘤进行详细观察的信息，是否能显著提高这些预测的准确性，从而让医生与患者之间关于预期情况的沟通更加个性化。
伦敦国王学院的一位研究人员致力于回答这个问题，通过构建并测试旨在预测这一结果的计算机模型。该研究并未涉及新的患者或新的扫描图像；相反，它使用了来自两个大型知名乳腺癌临床试验的现有匿名数据。研究人员首先利用来自 I-SPY2 试验的近一千名患者的数据构建了预测工具。这些模型被输入了两类信息。第一类是标准的临床概况：患者的年龄以及三种关键受体的状态，这些受体决定了肿瘤的行为方式及对治疗的反应。第二类信息来自治疗开始前的 MRI 扫描。具体而言，模型观察了从扫描中提取的、源自肿瘤亮度与对比度模式的十二个特定测量值，这些数值总结了肿瘤的外观，而没有测量其精确的大小或形状。
目标是观察将这十二个 MRI 测量值添加到基本的年龄和受体信息中，是否会提高模型猜测结果的能力。为了公平地进行测试，研究人员将构建好的模型进行了“冻结”，这意味着它们被锁定且无法更改。随后，这些冻结的模型被应用于来自较早的 I-SPY1 试验的一个完全独立的 166 名患者群体，该群体是模型从未接触过的。这一步骤至关重要，因为它测试了模型是在不同环境下有效，还是仅仅记住了第一组数据的模式。研究人员比较了仅使用年龄和受体的模型与包含 MRI 数据的模型的表现差异。
结果显示，加入 MRI 数据并未提高预测能力。事实上，在针对新患者组进行测试时，仅使用基本临床信息的模型表现略好于包含 MRI 扫描的模型。包含 MRI 数据的模型并没有提供更准确的完全缓解概率估计。此外，研究还观察了这些预测的稳定性。如果研究人员使用来自同一池中略微不同的患者重新构建模型，对于个体患者而言，预测结果是否会发生剧烈变化？分析显示，包含 MRI 数据的模型所做的预测稳定性要差得多。仅仅通过改变用于构建模型的群体，针对特定患者的治愈概率估计就可能波动近九个百分点，而较简单的模型则要一致得多。
研究还检查了模型对其预测的校准程度。一个好的模型不仅应该能正确对患者进行排序，还应该能预测出符合现实的概率。例如，如果一个模型预测有 30% 的患者会达到完全缓解，那么实际上大约也应该有 30% 的患者实现这一结果。在本研究中，所有模型都倾向于高估成功的机会，即预测的治愈可能性高于患者实际观察到的情况。包含 MRI 数据的模型尤其容易出现这种高估现象。研究人员得出结论，虽然 MRI 扫描包含大量信息，但这些十二个测量值的汇总方式及其与基本临床数据的结合方式并没有起到帮助作用。该研究明确排除了这种特定的、精简的 MRI 汇总信息能够为预测治疗反应提供可靠改进的可能性。
最终，研究表明，在为患者告知其在治疗开始前获得完全治愈的具体几率时，将这些固定的 MRI 汇总信息添加到年龄和受体状态中并不能带来明显的益处。研究发现，没有证据表明 MRI 数据提高了预测的准确性，或者提高了模型的可靠性。研究人员强调，在这些工具被用于指导艰难的医疗决策或沟通之前，它们需要在外部测试中展示出更好的准确性，并证明其预测保持稳定。在此之前，对于这项特定的预测任务而言，增加 MRI 数据的复杂性并不值得用其替代更简单、更一致的临床信息。
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。