2023年欧洲肿瘤内科学会乳腺癌年会（ESMO BC）将于当地时间5月11日至13日在德国柏林召开。台湾大学医学院Chung-Yen Huang教授介绍了其团队开发的评估ADH/DCIS乳腺活检的深度学习模型相关摘要以大会壁报的形式被收录（66P），肿瘤瞭望特邀采访了Chung-Yen Huang教授。
编者按：2023年欧洲肿瘤内科学会乳腺癌年会（ESMO BC）将于当地时间5月11日至13日在德国柏林召开。台湾大学医学院Chung-Yen Huang教授介绍了其团队开发的评估ADH/DCIS乳腺活检的深度学习模型相关摘要以大会壁报的形式被收录（66P），肿瘤瞭望特邀采访了Chung-Yen Huang教授。
研究简介
研究背景：临床试验正在探索主动监测低风险导管原位癌（DCIS）和非典型导管增生（ADH）的可能性。然而，DCIS分级在不同观察者之间存在差异。我们的目标是训练和评估ADH/DCIS乳腺活检的深度学习模型（deep DCIS），以改善这些前驱病变的风险分层。
研究方法：纳入通过乳腺活检诊断为ADH或DCIS并在6个月内接受广泛切除术的患者（主要验证队列，n=592；独立验证队列，n=112）。两名病理学家独立评估核分级、粉刺样坏死、可疑微浸润病灶，并按照共识注释图像级别。还评估了雌激素受体免疫染色和大汗腺特征。收集临床特征（如活检方式、病灶大小、超声及乳腺X线BI-RADS分类）等信息。采用Inception-V3建模，并进行了训练-有效测试分割和Adam优化。Deep DCIS的输出包括5个参数：总图像块数、病变范围、深度级别、深度坏死和反应性损伤。将这些参数与临床信息和激素状态相结合，以预测浸润性乳腺癌的前期发展。
研究结果：深度分级与病理学家在载玻片和患者层面标签上的分级密切相关。Deep DCIS的5个参数均与分期上调至浸润性癌相关。深导管原位癌的曲线下面积（AUC）为0.81，准确度（acc）为0.75，优于病理医师的评估（AUC为0.71和0.69；两名病理医师评估的acc分别为0.67和0.65）。
将Deep DCIS与临床因素和激素状态结合后，预测得到改善（AUC 0.87；acc 0.79）。该联合模型在ADH和中低级别DCIS亚组中保持其预测能力（AUC 0.81；acc 0.76）。独立验证队列证实了模型的性能（AUC 0.82；acc 0.72）。
研究结论：该深度学习模型细化了乳腺活检对ADH和DCIS的组织学评估，提高了对广泛切除后浸润性癌的预测，可能有助于指导未来临床研究的治疗方案。
研究者说
本研究旨在开发一种基于乳腺活检的深度学习模型，用于诊断典型导管原位癌（DCIS）和非典型导管增生（ADH），对其前驱病变进行评分分级，并对广泛切除术后出现浸润性癌进行预测。该深度学习模型包括三个神经网络，用于评估细胞核分级、坏死和反应性损伤。通过病理学家进行图像级别标注（patch level）训练，该模型的输出参数包括总图像块数、病变范围（以具有病变图像块的百分比表示）、细胞核分级、深部坏死和反应性损伤（以被评估为高分级、带坏死或反应性损伤图像块的百分比表示）。
我们的结果表明，所有五个参数输出与广泛切除术后出现浸润以及病理学家在整个病灶水平上的评估相关。该模型预测广泛切除术后出现浸润性癌的ROC曲线下的面积（AUC）为0.81。通过添加活检方法、乳房X线和超声等临床因素可以进一步提升（该模型的准确率）。这个模型已在一个独立的测试队列中进行了验证。
该模型对于典型导管原位癌（DCIS）和非典型导管增生（ADH）风险分层是极为重要的。当活检样本显示低风险和低分级病变时，医生可以选择通过积极监测来密切观察患者。已有几项临床研究探讨在低风险病例中采用这种方法的可能性。但是，如果患者被定义为高危且有广泛切除术后出现浸润性癌的高风险，医生则必须在早期手术计划中考虑腋窝分期，包括以计划手术为前提的前哨淋巴结活检或前哨淋巴结切除。因此，使用深度学习和数字技术可提高对此前体病变的风险评估的准确性，并为未来的临床研究提供适当的治疗计划。
Chung-Yen Huang教授
台湾大学医学院病理科
京公网安备 11010502033352号