DOI: https://doi.org/10.3389/fonc.2026.1770037
PMID: https://pubmed.ncbi.nlm.nih.gov/41809834
تاريخ النشر: 2026-02-23
المؤلف: Jiaxian Yue وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تبحث هذه الدراسة في القدرات التنبؤية للباتوميك الكمي في سرطان الثدي الإيجابي لمستقبلات الهرمونات (HR) والسلبي لمستقبلات عامل النمو البشري 2 (HER2)، وهو نوع معروف باستجابته المحدودة للعلاج الكيميائي المساعد (NAC). قامت الدراسة بتحليل بيانات من 162 مريضًا تم علاجهم بـ NAC بين عامي 2014 و2021، باستخدام شرائح خزعة ملونة بالهيماتوكسيلين والإيوزين (H&E) ونماذج التعلم العميق المتقدمة، وتحديدًا نموذج المحول البصري (ViT) والشبكة الموحدة للصورة (UNI)، لاستخراج الميزات الباتومية ذات الصلة. تم جمع ثلاثة عشر متغيرًا سريريًا أيضًا، وتم تطوير نماذج التعلم الآلي بعد اختيار الميزات عبر مشغل الانكماش المطلق الأدنى (LASSO).
كشفت النتائج أن نموذج CatBoost أظهر أعلى أداء تنبؤي، حيث حقق منطقة تحت المنحنى (AUC) قدرها 0.900 في التدريب و0.848 في التحقق عند دمج المتغيرات السريرية والباتومية المستمدة. تضمنت العوامل التنبؤية الرئيسية التي تم تحديدها تعبير Ki-67، والعمر، والدرجة النسيجية، وحالة مستقبلات البروجستيرون (PR)، والميزات الباتومية الهامة. تؤكد هذه الدراسة على إمكانيات دمج علم الأمراض الرقمي والتعلم الآلي لتعزيز التنبؤ باستجابة NAC ومخاطر الانتكاس في هذه الفئة من المرضى.
مقدمة
يظل سرطان الثدي واحدًا من أكثر الأورام انتشارًا بين النساء، حيث يشكل النوع الإيجابي لمستقبلات الهرمونات (HR) والسلبي لمستقبلات عامل النمو البشري 2 (HER2) حوالي 60-70% من الحالات. على الرغم من توقعاته العامة المواتية، يعاني جزء من المرضى من الانتكاس والتقدم أثناء العلاج، مما يبرز الحاجة إلى استراتيجيات محسّنة للتنبؤ باستجابة العلاج وتحسين الإدارة. يعتبر العلاج الكيميائي المساعد (NAC) مكونًا حيويًا للعلاج، ومع ذلك فإن انخفاض معدلات الاستجابة الكاملة النسيجية (pCR) والتباين الكبير بين الأفراد في المرضى الإيجابيين لمستقبلات الهرمونات والسلبيين لمستقبلات HER2 يعقد فعاليته، مما يعرض المرضى غالبًا للسمية غير الضرورية ويؤخر التدخل الجراحي.
فتحت التطورات الأخيرة في علم الأمراض الرقمي والذكاء الاصطناعي (AI) آفاقًا جديدة لمعالجة هذه التحديات. يوفر علم الباتوميك، الذي يسهل استخراج الميزات الكمية بكفاءة من شرائح علم الأمراض الرقمية، جنبًا إلى جنب مع خوارزميات التعلم الآلي (ML)، منهجيات واعدة للتنبؤ بنتائج العلاج. بينما استكشفت الدراسات السابقة فعالية التنبؤ بـ NAC باستخدام علم الباتوميك وML، إلا أنها أغفلت إلى حد كبير المجموعة الفرعية الإيجابية لمستقبلات الهرمونات والسلبيين لمستقبلات HER2 وركزت على نقاط نهاية فردية مثل pCR. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال تطوير نموذج تنبؤي يدمج الميزات الباتومية مع البيانات السريرية والعديد من خوارزميات ML لتقييم فعالية NAC ومخاطر الانتكاس المبكر في مرضى سرطان الثدي الإيجابي لمستقبلات الهرمونات والسلبيين لمستقبلات HER2. الهدف النهائي هو إنشاء أداة عملية سريريًا تعزز اتخاذ القرارات العلاجية وتدعم العلاج الدقيق لهذا النوع المحدد من سرطان الثدي.
الطرق
تحدد قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في سؤال البحث. استخدمت الدراسة نهجًا كميًا، حيث تم دمج التحليلات الإحصائية لتقييم البيانات المجمعة من تجارب مختلفة. تضمنت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لملاحظة تأثيراتها على النتائج ذات الصلة.
شملت جمع البيانات استخدام أدوات موحدة لضمان الموثوقية والصلاحية، وتم تحديد حجم العينة بناءً على تحليل القوة لتحقيق نتائج ذات دلالة إحصائية. تم إجراء التحليل باستخدام أدوات البرمجيات التي سهلت الحسابات المعقدة والتصورات، مما سمح بتفسير شامل للنتائج. بشكل عام، تم تصميم الطرق المستخدمة بدقة لضمان قوة النتائج وقابليتها للتطبيق في سياقات أوسع.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود علاقة واضحة بين المتغيرات المستقلة والنتائج التابعة، حيث تؤكد التحليلات الإحصائية قوة هذه العلاقات. من الجدير بالذكر أن النتائج تظهر أن تطبيق المنهجية المقترحة يؤدي إلى تحسينات في مقاييس الأداء، كما يتضح من المقاييس الكمية المبلغ عنها.
علاوة على ذلك، تكشف النتائج أن ظروفًا أو معايير معينة تؤثر بشكل كبير على النتائج، مما يشير إلى طرق محتملة لمزيد من التحقيق. يتم مناقشة تداعيات هذه النتائج في سياق الأدبيات الموجودة، مما يبرز أهميتها ومساهمتها في المجال. بشكل عام، تؤكد النتائج على فعالية النهج المتبع في هذا البحث، مما يمهد الطريق للدراسات المستقبلية للبناء على هذه الرؤى الأساسية.
المناقشة
في هذه الدراسة، تم تطوير نموذج تعلم آلي باستخدام خوارزمية CatBoost وتم التحقق منه للتنبؤ بفعالية العلاج الكيميائي المساعد (NAC) في المرضى المصابين بسرطان الثدي الإيجابي لمستقبلات الهرمونات (HR+) والسلبي لمستقبلات HER2. دمج النموذج 1,024 ميزة باتومية مستخرجة من شرائح نسيجية ملونة بالهيماتوكسيلين والإيوزين (H&E) مع 13 متغيرًا سريريًا. تم استخدام عملية اختيار الميزات عبر الانحدار باستخدام مشغل الانكماش المطلق الأدنى (LASSO)، مما أسفر عن الاحتفاظ بـ 55 متغيرًا. أظهر نموذج CatBoost أداءً تنبؤيًا متفوقًا، حيث حقق منطقة تحت المنحنى (AUC) قدرها 0.848 في مجموعة التحقق، مما يشير إلى دقة عالية في التنبؤ باستجابة العلاج.
بالإضافة إلى ذلك، حددت الدراسة عدة عوامل خطر تنبؤية مرتبطة بالانتكاس ونتائج البقاء في هذه الفئة من المرضى. من الجدير بالذكر أن العمر الأصغر عند التشخيص، وانخفاض تعبير مستقبلات البروجستيرون، وارتفاع مستويات Ki-67 كانت مرتبطة بزيادة خطر الانتكاس. تؤكد النتائج على إمكانيات الميزات الباتومية في تعزيز النماذج التنبؤية بما يتجاوز المعايير السريرية التقليدية، مما يشير إلى أن مثل هذه النماذج يمكن أن تُعلم بشكل كبير اتخاذ القرارات السريرية بشأن NAC واستراتيجيات إدارة المرضى. بشكل عام، تسهم الدراسة برؤى قيمة حول دمج التعلم الآلي مع البيانات النسيجية لتحسين النتائج في علاج سرطان الثدي.
DOI: https://doi.org/10.3389/fonc.2026.1770037
PMID: https://pubmed.ncbi.nlm.nih.gov/41809834
Publication Date: 2026-02-23
Author(s): Jiaxian Yue et al.
Primary Topic: AI in cancer detection
Overview
This research investigates the predictive capabilities of quantitative pathomics in hormone receptor (HR)-positive, human epidermal growth factor receptor 2 (HER2)-negative breast cancer, a subtype known for its limited response to neoadjuvant chemotherapy (NAC). The study analyzed data from 162 patients treated with NAC between 2014 and 2021, utilizing digitized hematoxylin and eosin (H&E)-stained biopsy slides and advanced deep learning models, specifically Vision Transformer (ViT) and Unified Network for Image (UNI), to extract relevant pathomic features. Thirteen clinical variables were also collected, and machine learning models were developed following feature selection via least absolute shrinkage and selection operator (LASSO).
The findings revealed that the CatBoost model exhibited the highest predictive performance, achieving an area under the curve (AUC) of 0.900 in training and 0.848 in validation when combining clinical and pathomics-derived variables. Key predictive factors identified included Ki-67 expression, age, histological grade, progesterone receptor (PR) status, and significant pathomic features. This study underscores the potential of integrating digital pathology and machine learning to enhance the prediction of NAC response and recurrence risk in this patient population.
Introduction
Breast cancer remains one of the most prevalent malignancies among women, with the hormone receptor (HR)-positive, human epidermal growth factor receptor 2 (HER2)-negative subtype constituting approximately 60-70% of cases. Despite its generally favorable prognosis, a subset of patients experiences recurrence and progression during treatment, highlighting the need for improved strategies to predict treatment response and optimize management. Neoadjuvant chemotherapy (NAC) is a vital component of treatment, yet the low pathological complete response (pCR) rates and significant interindividual variability in HR-positive, HER2-negative patients complicate its efficacy, often exposing patients to unnecessary toxicity and delaying surgical intervention.
Recent advancements in digital pathology and artificial intelligence (AI) have opened new avenues for addressing these challenges. Pathomics, which facilitates high-throughput extraction of quantitative features from digitized pathology slides, alongside machine learning (ML) algorithms, offers promising methodologies for predicting treatment outcomes. While previous studies have explored NAC efficacy prediction using pathomics and ML, they have largely overlooked the HR-positive, HER2-negative subgroup and focused on single endpoints like pCR. This study aims to fill this gap by developing a predictive model that integrates pathomic features with clinical data and multiple ML algorithms to assess NAC efficacy and early relapse risk in HR-positive, HER2-negative breast cancer patients. The ultimate goal is to create a clinically practical tool that enhances treatment decision-making and supports precision therapy for this specific breast cancer subtype.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research question. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments to ensure reliability and validity, and the sample size was determined based on power analysis to achieve statistically significant results. The analysis was conducted using software tools that facilitated complex calculations and visualizations, allowing for a comprehensive interpretation of the findings. Overall, the methods employed were rigorously designed to ensure the robustness of the results and their applicability to broader contexts.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical procedures employed. The data indicates a clear correlation between the independent variables and the dependent outcomes, with statistical analyses confirming the robustness of these relationships. Notably, the results demonstrate that the application of the proposed methodology yields improvements in performance metrics, as evidenced by the quantitative measures reported.
Furthermore, the findings reveal that specific conditions or parameters significantly influence the results, suggesting potential avenues for further investigation. The implications of these results are discussed in the context of existing literature, emphasizing their relevance and contribution to the field. Overall, the results underscore the effectiveness of the approach taken in this research, paving the way for future studies to build upon these foundational insights.
Discussion
In this study, a machine learning model utilizing the CatBoost algorithm was developed and validated to predict the efficacy of neoadjuvant chemotherapy (NAC) in patients with hormone receptor-positive (HR+) and HER2-negative breast cancer. The model integrated 1,024 pathomic features extracted from hematoxylin and eosin (H&E) stained histopathological slides with 13 clinical variables. The feature selection process employed least absolute shrinkage and selection operator (LASSO) regression, resulting in 55 retained variables. The CatBoost model demonstrated superior predictive performance, achieving an area under the curve (AUC) of 0.848 in the validation set, indicating high accuracy in predicting treatment response.
Additionally, the study identified several prognostic risk factors associated with recurrence and survival outcomes in this patient cohort. Notably, younger age at diagnosis, low progesterone receptor expression, and higher Ki-67 levels were linked to increased recurrence risk. The findings underscore the potential of pathomic features in enhancing predictive models beyond traditional clinical parameters, suggesting that such models could significantly inform clinical decision-making regarding NAC and patient management strategies. Overall, the study contributes valuable insights into the integration of machine learning with histopathological data to improve outcomes in breast cancer treatment.