論文の概要: Predicting Neo-Adjuvant Chemotherapy Response in Triple-Negative Breast Cancer Using Pre-Treatment Histopathologic Images

• arxiv url: http://arxiv.org/abs/2505.14730v1
• Date: Tue, 20 May 2025 02:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.660145
• Title: Predicting Neo-Adjuvant Chemotherapy Response in Triple-Negative Breast Cancer Using Pre-Treatment Histopathologic Images
• Title（参考訳）: 乳腺3重複癌に対する術前病理組織像による術前化学療法効果の予測
• Authors: Hikmat Khan, Ziyu Su, Huina Zhang, Yihong Wang, Bohan Ning, Shi Wei, Hua Guo, Zaibo Li, Muhammad Khalid Khan Niazi,
• Abstract要約: トリプル陰性乳癌(TNBC)は、エストロゲン受容体(ER)、プロゲステロン受容体(PR)、ヒト上皮成長因子受容体2(HER2)の発現の欠如によって定義される攻撃性サブタイプである。 ネオアジュバント化学療法(Neoadjuvant chemotherapy, NACT)は、早期TNBCの標準治療であり、病理学的完全反応(pCR)が重要な予後マーカーである。 我々は, ヘマトキシリンおよびエオシン染色生検画像を用いて, NACT応答を予測する深層学習モデルを開発した。
• 参考スコア（独自算出の注目度）: 2.23127246021293
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Triple-negative breast cancer (TNBC) is an aggressive subtype defined by the lack of estrogen receptor (ER), progesterone receptor (PR), and human epidermal growth factor receptor 2 (HER2) expression, resulting in limited targeted treatment options. Neoadjuvant chemotherapy (NACT) is the standard treatment for early-stage TNBC, with pathologic complete response (pCR) serving as a key prognostic marker; however, only 40-50% of patients with TNBC achieve pCR. Accurate prediction of NACT response is crucial to optimize therapy, avoid ineffective treatments, and improve patient outcomes. In this study, we developed a deep learning model to predict NACT response using pre-treatment hematoxylin and eosin (H&E)-stained biopsy images. Our model achieved promising results in five-fold cross-validation (accuracy: 82%, AUC: 0.86, F1-score: 0.84, sensitivity: 0.85, specificity: 0.81, precision: 0.80). Analysis of model attention maps in conjunction with multiplexed immunohistochemistry (mIHC) data revealed that regions of high predictive importance consistently colocalized with tumor areas showing elevated PD-L1 expression, CD8+ T-cell infiltration, and CD163+ macrophage density - all established biomarkers of treatment response. Our findings indicate that incorporating IHC-derived immune profiling data could substantially improve model interpretability and predictive performance. Furthermore, this approach may accelerate the discovery of novel histopathological biomarkers for NACT and advance the development of personalized treatment strategies for TNBC patients.
• Abstract（参考訳）: トリプル陰性乳癌(TNBC)は、エストロゲン受容体(ER)、プロゲステロン受容体(PR)、ヒト上皮成長因子受容体2(HER2)発現の欠如によって定義された攻撃性サブタイプであり、標的治療の選択肢が限られている。 早期TNBCの標準治療はネオアジュバント化学療法 (NACT) であり, 病理学的完全反応 (pCR) が重要な予後指標となるが, TNBC患者の40～50%のみがpCRを達成している。 NACT反応の正確な予測は、治療を最適化し、非効率な治療を回避し、患者の結果を改善するために重要である。 本研究では,前処理ヘマトキシリンとエオシン(H&E)含有生検画像を用いて,NAF応答を予測する深層学習モデルを開発した。 精度: 82%, AUC: 0.86, F1スコア: 0.84, 感度: 0.85, 特異性: 0.81, 精度: 0.80)。 マルチプレクシド免疫組織化学(mIHC)データと併用したモデルアテンションマップの解析により,高PD-L1発現,CD8+T細胞浸潤,CD163+マクロファージ密度を示す腫瘍部位と,高い予測的重要性の領域が連続的に局在していることが判明した。 以上の結果から,IHC由来の免疫プロファイリングデータの導入は,モデルの解釈可能性や予測性能を大幅に向上させる可能性が示唆された。 さらに, この手法は, NACTに対する新しい病理組織学的バイオマーカーの発見を加速させ, TNBC患者に対するパーソナライズされた治療戦略の開発を進展させる可能性がある。

関連論文リスト

• Predicting Targeted Therapy Resistance in Non-Small Cell Lung Cancer Using Multimodal Machine Learning [0.5116003548817487]
  肺がんは世界中でがん死の主要な原因であり、非小細胞肺癌(NSCLC)は最も一般的な亜型である。 第3世代EGFR-チロシンキナーゼ阻害剤(TKI)であるオシメルチニブ(Osimertinib)はNSCLC患者の治療において顕著な効果を示した。 効果が確立されているにもかかわらず、薬剤耐性はオシメルチニブから完全に利益を得る上で大きな課題となる。
  論文  参考訳（メタデータ） (2025-03-31T14:47:02Z)
• Benchmarking Histopathology Foundation Models for Ovarian Cancer Bevacizumab Treatment Response Prediction from Whole Slide Images [1.4999444543328293]
  大規模全スライド画像(WSI)で訓練した最新の病理組織基盤モデルを用いて, 卵巣腫瘍組織の特徴を抽出し, ベクチズマブ反応を予測する。 我々の生存モデルは、統計的に有意な高リスクおよび低リスクのケースを成層化することができる。
  論文  参考訳（メタデータ） (2024-07-30T07:15:39Z)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Recurrence-Free Survival Prediction for Anal Squamous Cell Carcinoma Chemoradiotherapy using Planning CT-based Radiomics Model [5.485361086613949]
  非転移性肛門扁平上皮癌(SCC)患者の約30%が化学療法後の再発を経験する 我々は,放射線前処置計画CTから抽出した情報を利用して,CRT後のSCC患者における再発無生存(RFS)を予測するモデルを開発した。
  論文  参考訳（メタデータ） (2023-09-05T20:22:26Z)
• hist2RNA: An efficient deep learning architecture to predict gene expression from breast cancer histopathology images [11.822321981275232]
  深層学習アルゴリズムは、デジタル病理画像中の形態パターンを効果的に抽出し、分子の表現型を迅速かつ低コストで予測することができる。 我々は,138遺伝子の発現を予測するために,バルクRNAシークエンシング技術にインスパイアされたhist2RNAという新しい計算効率の高い手法を提案する。
  論文  参考訳（メタデータ） (2023-04-10T10:54:32Z)
• Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
  深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。 我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。 提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-11-10T03:02:12Z)
• Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients [60.78505216352878]
  化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。 セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。 提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
  論文  参考訳（メタデータ） (2022-11-08T11:50:31Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• Deep learning-based prediction of response to HER2-targeted neoadjuvant chemotherapy from pre-treatment dynamic breast MRI: A multi-institutional validation study [0.5149010213385097]
  乳がんにおけるネオアジュバント療法の適応予測は, 重篤な課題である。 ディープラーニングは、乳がんの標的治療をガイドするための、効果的で信頼性の高いツールを提供する。
  論文  参考訳（メタデータ） (2020-01-22T17:54:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。