预测中国女性乳腺癌患者长期临床结果的机器学习模型

乳腺癌（breast cancer,BC）是全球女性最常见的恶性肿瘤,约占女性恶性肿瘤的 31%，也是导致女性死亡最常见的癌症类型。新辅助化疗（neoadjuvant chemotherapy,NAC）用于早期或局部晚期乳腺癌的治疗，可以评估药物敏感性，并对患者进行预后分层，NAC 提高了治疗效率，改变了乳腺癌的治疗模式。NAC 手术完成后需要病理评估癌细胞残留,癌细胞残留越多预后越差，病理完全缓解（pCR）患者预后最佳。因此，目前对于 BC 的 NAC 研究多采用 pCR 作为患者预后的替代指标，pCR 大幅度提高提示患者长期生存的改善。然而，如今仍缺乏对开展 NAC 的 BC 患者中术前精准预测 pCR 的无创工具。最近的研究报告称，深度神经网络（DNN）、残差网络（ResNet）、图神经网络（GNN）、Transformer 和 Diffusion 扩散模型等新兴 AI 算法的问世，当融合了影像图像和病理图像的特征，再结合临床信息用于诊断乳腺癌时，深度学习（Deep Learning,DL）模型的性能会得到进一步提高。DL 和多组学的结合以非侵入性方式提高了乳腺癌的术前诊断、分级的准确性，预测基因分型方面性能良好，且与临床因素结合能评估术后生存期，以上优势都有利于我们用于评估参与 NAC 的 BC 患者。但目前研究的样本量较小，且数据单一，可靠的预测模型需要大量数据进行训练，建立多中心的数据库十分必要。