利用人工智能，预测乳腺癌复发风险和化疗获益：一项多中心模型开发与验证研究
利用人工智能，预测乳腺癌复发风险和化疗获益：一项多中心模型开发与验证研究的核心信息是什么？
前言 乳腺癌是全球最常见的恶性肿瘤，其中激素受体阳性、HER2阴性亚型约占所有病例的70%。在该亚型中，如何准确筛选能从辅助化疗中获益的患者是临床决策的核心挑战。传统临床病理特征（包括肿瘤大小、受体表达、组织学分级及淋巴结状态）的分层效能有限，易导致过度治疗或治疗不足。以Oncotype DX 21基因复发评分为代表的多基因表达检测彻底改变了该领域的治疗决策...
前言 乳腺癌是全球最常见的恶性肿瘤，其中激素受体阳性、HER2阴性亚型约占所有病例的70%。在该亚型中，如何准确筛选能从辅助化疗中获益的患者是临床决策的核心挑战。传统临床病理特征（包括肿瘤大小、受体表达、组织学分级及淋巴结状态）的分层效能有限，易导致过度治疗或治疗不足。 属于「ONCO前沿」分类。 关键词：人工智能、基因检测、乳腺癌。 本文由 TalkMED 拓麦医学编辑团队审核发布，内容来源清晰、引用完整，符合平台编辑方针和利益冲突披露政策。
本文核心问答
Q1: 该研究的关键数据和临床意义是什么？
该模型在TAILORx随机试验（质量控制后纳入8284例患者）中进行了微调和验证。03 研究结果 在TAILORx测试集（n=2407）中，人工智能模型将1097例（45.6%）患者分类为低风险，1021例（42.4%）为中等风险，289例（12.0%）为高风险。对于识别高基因组风险疾病（复发评分≥26），曲线下面积（AUC）为0.898（95% CI 0.879–0.913）。基于人工智能的风险分层对无复发生存期（风险比2.61 [95% CI 1.68–4.04]）、远处无复发生存期（2.88 [1.73–4.79]）和无病生存期（1.32 [0.92–1.89]）均具有预后价值。
Q2: 这篇文章的来源和作者资质如何？
发布于2026-03-23。
Q3: 本文涉及哪些核心医学术语和研究方向？
本文围绕「利用人工智能，预测乳腺癌复发风险和化疗获益：一项多中心模型开发与验证研究」主题，涉及人工智能、基因检测、乳腺癌等核心术语和研究方向。文中涉及的核心术语定义：HER2即人表皮生长因子受体2（Human Epidermal Growth Factor Receptor 2）；CI即置信区间（Confidence Interval），表示估计值的可信范围。。04 研究结论 上述研究结果表明，将人工智能应用于常规组织病理学可以作为一种实用且可推广的工具，用于指导激素受体阳性、HER2阴性早期乳腺癌的化疗决策。
Q4: 该研究采用了什么研究设计和方法？
本研究采用基因组学研究设计。研究共纳入纳入8284例。
前言
研究背景
基因组检测（例如 Oncotype DX）已彻底改变了激素受体阳性、HER2阴性早期乳腺癌的辅助治疗选择，但由于费用高昂等原因，许多患者仍然无法接受这些检测。研究者的目标是开发并验证一种人工智能（AI）模型，该模型能够直接从常规组织病理切片和临床病理变量中估算Oncotype DX 21基因复发评分。
研究方法
在这项多中心模型开发和验证研究中，研究者使用基于171189张组织病理切片预训练的基础模型，结合数字全切片图像和临床特征，训练了一个多模态深度学习模型，用于预测Oncotype DX复发评分。我们纳入了激素受体阳性、HER2阴性、浸润性乳腺癌患者的切片，这些切片无扫描伪影，且至少包含100个组织块（1.6 mm² ）。该模型在TAILORx随机试验（质量控制后纳入8284例患者）中进行了微调和验证。在TAILORx测试集中评估了预后和预测性能，并在六个独立队列中进行了外部验证（以色列Carmel、Haemek 和 Sheba 医疗中心，美国芝加哥大学医学中心，澳大利亚乳腺癌组织库，以及美国癌症基因组图谱乳腺浸润性癌项目）。
研究结果
在TAILORx测试集（n=2407）中，人工智能模型将1097例（45.6%）患者分类为低风险，1021例（42.4%）为中等风险，289例（12.0%）为高风险。对于识别高基因组风险疾病（复发评分≥26），曲线下面积（AUC）为0.898（95% CI 0.879–0.913）。基于人工智能的风险分层对无复发生存期（风险比2.61 [95% CI 1.68–4.04]）、远处无复发生存期（2.88 [1.73–4.79]）和无病生存期（1.32 [0.92–1.89]）均具有预后价值。在AI分类为高危的绝经前患者中，化疗获益显著（0.63 [0.46–0.86]），但在AI分类为低危的绝经后患者中则未观察到化疗获益（0.94 [0.78–1.12]）。151例（31.3%），临床高危绝经后女性（根据MINDACT标准）被重新分类为低AI风险，且未从化疗中获益。对外部队列（5497例患者）的分析表明，该模型具有良好的泛化能力，可推广至新数据集（复发评分≥26，AUC范围为0.858至0.903）。
研究结论
上述研究结果表明，将人工智能应用于常规组织病理学可以作为一种实用且可推广的工具，用于指导激素受体阳性、HER2阴性早期乳腺癌的化疗决策。该方法有望减少不必要的化疗，并在基因组检测尚不可及或负担过重的资源匮乏地区，拓宽精准肿瘤学的可及性。
参考文献：
Shamai G, Cohen S, et al. Deep learning on histopathological images to predict breast cancer recurrence risk and chemotherapy benefit: a multicentre, model development and validation study. Lancet Oncol. 2026 Mar 11:S1470-2045(25)00727-2.
责任编辑丨一颗柚子
版权声明：本平台旨在帮助医疗卫生专业人士更好地了解相关疾病领域最新进展。本平台对发布的资讯内容，并不代表同意其描述和观点，仅为提供更多信息。若涉及版权问题，烦请权利人与我们联系，我们将尽快处理。仅供医疗卫生专业人士为了解资讯使用，该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议。如该等信息被用于了解资讯以外的目的，本平台及作者不承担相关责任。合作联系邮箱：ONCO@edoctor.work。
本文涉及的主要医学术语
文中涉及的核心术语定义：HER2即人表皮生长因子受体2（Human Epidermal Growth Factor Receptor 2）；CI即置信区间（Confidence Interval），表示估计值的可信范围。
本文研究方法与设计类型
本研究采用基因组学研究设计。研究共纳入纳入8284例。
本文临床背景与意义
本文属于人工智能、基因检测、乳腺癌等医学领域。04 研究结论 上述研究结果表明，将人工智能应用于常规组织病理学可以作为一种实用且可推广的工具，用于指导激素受体阳性、HER2阴性早期乳腺癌的化疗决策。。
引用格式：利用人工智能，预测乳腺癌复发风险和化疗获益：一项多中心模型开发与验证研究. 发布日期：2026-03-23. 来源：TalkMED拓麦. URL: https://portal.talkmed.com/news/3655
分享
收藏
点赞
