发布时间： 2025-10-29 09:31:47
导读
三阴性乳腺癌（TNBC）是乳腺癌中最具侵袭性的亚型，复发率较高，治疗效果不理想，其诊断目前主要依赖免疫组织化学法，但该方法耗时且成本较高，而预后分层仍受限于传统临床病理特征。既往研究虽然应用人工智能技术进行TNBC识别或预后预测，但多数研究队列规模较小（通常少于600例TNBC患者），且多聚焦于单一任务，缺乏多中心验证和系统化整合。因此，本研究旨在开发一个基于H&E染色全切片图像的AI系统，以解决TNBC综合管理中的诊断和预后挑战。
2025年11月，浙江大学医学院附属第一医院Hao Chen教授和Xiu-Ming Zhang团队在eClinicalMedicine发表了一项多中心回顾性研究，结果显示开发的TRIP系统在TNBC识别中内部验证AUC达0.980，外部验证AUC为0.853-0.927，预后预测C-index为0.720-0.747，表明该系统能准确识别TNBC并预测生存结局，具有潜在临床转化价值。
图1 研究设计概述
研究方法
本研究采用多中心回顾性设计，纳入标准为组织学确认的乳腺癌患者、具备H&E染色全切片图像和完整临床病理信息，排除标准包括五年内其他同步恶性肿瘤或曾接受新辅助化疗。研究人群来自中国五家三级医院和TCGA数据集，患者被分为训练队列（FAH内部80%）、内部验证队列（FAH内部20%）和外部验证队列（如SDPH、SRRS等），主要结局指标为TNBC识别（通过AUC、敏感性等评估）和预后预测（疾病无生存期和总生存期，通过C-index评估），其中TNBC定义基于IHC阴性标准。
主要结局指标采用深度学习模型TRIP进行分析，该系统整合了病理基础模型和双向Mamba编码器进行特征提取和聚合，使用AUC和C-index作为性能指标，并采用DeLong's检验和log-rank检验进行统计比较，旨在通过长序列建模捕获全局上下文特征，提升模型鲁棒性和可解释性。
研究结果
TNBC识别性能
TRIP系统在内部验证队列中TNBC识别的AUC为0.980（95% CI: 0.958-0.996），外部验证队列AUC为0.860-0.936，显著优于MaxMIL和AttMIL模型（P值<0.0001）。该结果表明TRIP系统在多样本队列中具有高诊断准确性和泛化能力。详见图2。
图2 三阴性乳腺癌识别的受试者工作特征（ROC）曲线
预后预测性能
TRIP系统在内部队列中疾病无生存期和总生存期预测的C-index分别为0.747±0.070和0.744±0.075，外部验证队列C-index为0.720-0.732，Kaplan-Meier分析显示高风险和低风险组生存差异显著（log-rank P值<0.0033）。这说明TRIP能有效分层TNBC患者预后。详见图3。
图3 Kaplan-Meier 分析用于总生存期分析和无病生存期分析
模型解释性分析
热图显示TNBC关键组织学特征包括核异型性、坏死和免疫冷微环境，而淋巴细胞浸润预示更好预后；几何和纹理特征定量分析验证了这些模式。该结果增强了AI系统的可解释性和临床可信度。详见图4。
图4 TNBC识别和预后预测（TRIP）系统在病理图像上的热图
多组学验证
差异基因表达和通路分析识别出三个分子亚群（C1-C3），其中C2与免疫激活相关、预后较好，C3与上皮间质转化相关、预后较差，与TRIP风险分层一致。这表明预后预测具有分子基础支持。详见图5。
图5 三阴性乳腺癌样本的整合多组学分析
舟舟点评
研究前证据方面，国内外现有AI研究多局限于小样本队列或单一任务，且依赖人工标注特征，导致泛化性和临床整合不足，凸显了TNBC管理中的证据空白。研究附加值时，本团队通过大规模多中心数据验证了TRIP系统的诊断和预后效能，并引入双向Mamba架构和测试时自适应策略，为AI在病理学中的应用提供了更稳健的方法学支持。对现有证据的影响而言，本研究结果有望优化TNBC的临床工作流程，减少IHC依赖，但需前瞻性试验验证其术前应用价值，未来应整合多模态数据以提升个性化医疗潜力。
下一篇：预测儿童及青少年睫状肌麻痹等效球镜度：基于非睫状肌麻痹数据与机器学习方法
