主要观点总结
研究团队提出了一种增量监督对比学习模型（iSCLM），这是一种可解释的人工智能框架，用于预测局部晚期胃癌患者对新辅助化疗的反应。该框架整合了预处理CT扫描和H染色活检图像，以改进新辅助化疗的决策。研究结果表明，该模型能准确预测化疗疗效，并在多中心队列中显示出显著性能提升。此外，模型还揭示了肿瘤浸润边界内炎性细胞含量与新辅助化疗反应之间的关系，以及免疫细胞组成差异在预测化疗反应中的作用。该研究的目的是推动临床实践，筛选适合新辅助化疗的局部晚期胃癌患者。
关键观点总结
关键观点1: iSCLM模型的应用
研究团队利用人工智能框架iSCLM，整合了CT扫描和病理图像，以预测局部晚期胃癌患者对新辅助化疗的反应。该模型可解释细胞水平的基本特征如何影响CT特征提取，以改进化疗决策。
关键观点2: 模型性能与预测准确性
相比单模态模型和直接串联特征构建的模型，iSCLM模型在多中心队列中显示出显著性能提升，能够准确预测新辅助化疗的疗效。
关键观点3: 治疗决策的生存益处
根据iSCLM模型的预测结果，接受治疗决策的患者5年生存率有显著差异，表明个性化指导可为患者带来生存益处。
关键观点4: 肿瘤浸润边界的炎性细胞含量
对新辅助化疗反应较好的患者，其肿瘤浸润边界内的炎性细胞含量更高，这揭示了潜在的生物学过程。
关键观点5: 研究的临床意义
iSCLM模型的首要目的是改善生存预后，其能够准确预测新辅助化疗的疗效，有助于推动临床实践，筛选适合新辅助化疗的局部晚期胃癌患者。
文章预览
【导读】 新辅助化疗评估对于局部晚期胃癌的预后和临床治疗至关重要。团队提出了一种增量监督对比学习模型（iSCLM），这是一种可解释的人工智能框架，整合了预处理CT扫描和H 染色活检图像，用于改进新辅助化疗的决策。 2024年12月4日，中国医科大学附属第一医院肿瘤外科王振宁教授团队在期刊《Cell Reports Medicine》上发表了题为“Interpretable multi-modal artificial intelligence model for predicting gastric cancer response to neoadjuvant chemotherapy”的研究论文。研究结果表明，与非反应者相比，反应者与肿瘤浸润边界的距离缩短，炎性细胞浸润增加。此外，应答者的CD11c表达升高。 团队开发的分子病理学可解释模型，能准确预测化疗疗效。 https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(24)00619-0 深度学习与胃癌患者的新辅助化疗 01 基于深度学习的放射学和病理学模
………………………………
