卢洁教授团队新成果，为乳腺癌新辅助化疗疗效精准预测提供新方案

摘要：日前，首都医科大学宣武医院卢洁教授团队在Science子刊Science Advances在线发表题为“A multimodal and fully automated system for prediction of pathological complet

编者按：日前，首都医科大学宣武医院卢洁教授团队在Science子刊Science Advances在线发表题为“A multimodal and fully automated system for prediction of pathological complete response to neoadjuvant chemotherapy in breast cancer”的论文。本研究结合治疗前磁共振成像（MRI）、全切片图像（WSI）和临床风险因素，开发一种多模态全自动管道系统—MIFAPS，用于实现乳腺癌新辅助化疗（NAC）前病理完全缓解（pCR）预测。

放射与核医学科博士后毛宁为第一作者，卢洁教授为通讯作者。

作者介绍

毛宁

▶ 首都医科大学宣武医院放射与核医学科博士后

▶ 主要从事医学影像诊断、人工智能和脑影像的研究工作。

▶ 主持国家自然科学基金面上和青年项目、国家博士后基金面上项目、北京市博士后基金等课题。

▶ 以第一作者或通讯作者发表SCI论文50余篇，包括Science Advances、npj Digital Medicine、eClinicalMedicine、eBioMedicine、Biological Psychiatry等高水平期刊。

卢洁

▶ 主任医师，教授，博士研究生导师

▶ 国家自然科学基金优秀青年基金获得者

▶ 国家万人计划科技创新领军人才

▶ 现任首都医科大学宣武医院党委专职副书记、放射与核医学科主任

▶ 国家神经疾病医学中心副主任

▶ 教育部神经变性病重点实验室副主任

▶ 磁共振成像脑信息学北京市重点实验室主任

▶ 中华医学会放射学分会全国委员

▶ 北京医学会放射学分会候任主任委员

▶ 中国医学影像技术研究会放射分会副主任委员

▶ 擅长神经系统疾病影像诊断，从事脑疾病功能与分子影像学研究。

▶ 主持科技部十四五重点研发计划、国自然重点、国自然重大等20余项课题，代表作发表在Neuron、Brain、Radiology、Nature Communications等国际权威期刊。

▶ 以第一完成人获华夏医学科技奖一等奖、北京市留学人员创新创业特别贡献奖、茅以升北京青年科技奖等。

▶ 主编（译）专著12部，授权专利17项，主持或参与专家共识15项。

研究详情

乳腺癌是女性常见恶性肿瘤，NAC是局部晚期乳腺癌主要治疗手段，治疗前准确预测pCR对制定治疗方案至关重要。现有预测方法存在局限性，如MRI预测pCR敏感性低，传统影像技术和单模态深度学习模型准确性待提高，多模态融合对乳腺癌pCR预测价值尚不清楚。本研究纳入1004例局部晚期乳腺癌患者，收集临床、MRI和WSI数据，分为训练和验证集（383例）、内部测试集（95例）、合并的外部测试集（471例）和前瞻性测试集（109例）。

图1.研究流程图

(A)基于MRI的深度学习标签构建。 (B)基于WSI的深度学习标签构建。(C)临床标签构建。(D) MIFAPS集成了临床标签、MRI深度学习标签和WSI深度学习标签。(E)使用67名患者的RNA测序数据探讨了深度学习的生物学基础。(F)在内部/外部/前瞻性测试集评估了MIFAPS的预测性能，并通过可视化分析研究了其潜在的预测机制。(G)MIFAPS的潜在临床影响。

MIFAPS在内部、合并外部和前瞻性测试集表现良好，AUC分别为0.932、0.882和0.909，优于单模态和双模态模型（图2）。在不同分子亚型和病灶大小亚组中，MIFAPS均有较好预测能力（图2）。MRI可视化显示，模型关注肿瘤及周围区域，WSI可视化显示，MIFAPS高评分患者关注肿瘤组织，低评分患者关注肿瘤和纤维组织（图3）。通过生物学机制分析发现，MIFAPS高评分患者与免疫反应通路相关，免疫细胞组成有差异（图4）。在高评分组中，CD4记忆T细胞水平（P = 0.010）和M1巨噬细胞水平（P = 0.073）显著增高，而M2巨噬细胞水平则降低（P = 0.073）。

图2.不同模型预测NAC-pCR的性能

不同模型在训练和验证集(A)、内部测试集(B)、合并的外部测试集(C)以及前瞻性测试集(D)中的ROC曲线。不同模型在训练集和验证集(E)、内部测试集(F)、合并的外部测试集(G)以及前瞻性测试集(H)中的PR曲线。不同分子亚型在合并的外部测试集(I)和前瞻性测试集(J)中MIFAPS的ROC曲线，不同病灶大小亚组在合并的外部测试集(K)和前瞻性测试集(L)中MIFAPS的ROC曲线。散点图显示：在合并的外部测试集中，MRI (M)、WSI (N)和临床(O)模型错误预测，被MIFAPS纠正的病例；在前瞻性测试集中，MRI (P)、WSI (Q)和临床(R)模型错误预测，被MIFAPS纠正的病例。

图3.多模态模型可视化

(A)基于MRI的Grad-CAM获得的热图。红色和黄色区域比绿色和蓝色区域具有更高的预测意义。(B)组织病理学WSI：高分（上）和低分（下）患者的乳腺癌原始病理图像。(C)注意力热图用于分配不同的注意力分数。红色表示高注意力区域，而蓝色表示低注意力区域。(D)高注意力tiles。(E)最高注意力tiles中分割和分类的细胞类型。(F)高注意力tiles中细胞类型的量化。