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

• arxiv url: http://arxiv.org/abs/2505.14730v2
• Date: Sat, 26 Jul 2025 02:07:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 14:15:46.447599
• Title: Predicting Neoadjuvant 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: 三重複陰性乳癌(TNBC)は、その攻撃的行動と標的療法の欠如により、主要な臨床課題である。 本報告では, 治療前のヘマトキシリンおよびエオシン含有生検スライドから直接, 病理学的完全反応(pCR)を予測するために, 注意に基づく多症例学習フレームワークを提案する。
• 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) remains a major clinical challenge due to its aggressive behavior and lack of targeted therapies. Accurate early prediction of response to neoadjuvant chemotherapy (NACT) is essential for guiding personalized treatment strategies and improving patient outcomes. In this study, we present an attention-based multiple instance learning (MIL) framework designed to predict pathologic complete response (pCR) directly from pre-treatment hematoxylin and eosin (H&E)-stained biopsy slides. The model was trained on a retrospective in-house cohort of 174 TNBC patients and externally validated on an independent cohort (n = 30). It achieved a mean area under the curve (AUC) of 0.85 during five-fold cross-validation and 0.78 on external testing, demonstrating robust predictive performance and generalizability. To enhance model interpretability, attention maps were spatially co-registered with multiplex immuno-histochemistry (mIHC) data stained for PD-L1, CD8+ T cells, and CD163+ macrophages. The attention regions exhibited moderate spatial overlap with immune-enriched areas, with mean Intersection over Union (IoU) scores of 0.47 for PD-L1, 0.45 for CD8+ T cells, and 0.46 for CD163+ macrophages. The presence of these biomarkers in high-attention regions supports their biological relevance to NACT response in TNBC. This not only improves model interpretability but may also inform future efforts to identify clinically actionable histological biomarkers directly from H&E-stained biopsy slides, further supporting the utility of this approach for accurate NACT response prediction and advancing precision oncology in TNBC.
• Abstract（参考訳）: 三重複陰性乳癌(TNBC)は、その攻撃的行動と標的療法の欠如により、主要な臨床課題である。 新アジュバント化学療法(NACT)に対する反応の正確な早期予測は、パーソナライズされた治療戦略の導出と患者成績の改善に不可欠である。 本研究では,前処理ヘマトキシリンおよびエオシン含有生検スライドから直接,病理学的完全反応(pCR)を予測するために,注意に基づくマルチインスタンスラーニング(MIL)フレームワークを提案する。 モデルは,TNBC患者174名を対象に,自家用コーホート(n = 30)を用いてトレーニングを行った。 曲線(AUC)の平均面積は5倍のクロスバリデーションで0.85、外部テストで0.78に達し、堅牢な予測性能と一般化性を示した。 モデル解釈性を高めるため,PD-L1,CD8+T細胞,CD163+マクロファージに染色した多重免疫組織化学(mIHC)データと空間的にアテンションマップを共存させた。 注意領域は免疫増強部位と中程度の空間的重なりを示し, PD-L1では平均IoUスコアが0.47, CD8+T細胞では0.45, CD163+マクロファージでは0.46であった。 高アテンション領域におけるこれらのバイオマーカーの存在は、TNBCにおけるNACT応答に対する生物学的関連性を支持する。 このことは、モデル解釈可能性の向上だけでなく、H&Eのバイオプシースライドから直接臨床に作用する組織学的バイオマーカーを同定するための今後の取り組みにも貢献し、TNBCにおける正確なNAF応答予測と精度オンコロジーの進歩のためのこのアプローチの有用性をさらに支援する可能性がある。

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)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• 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)
• Histopathology Based AI Model Predicts Anti-Angiogenic Therapy Response in Renal Cancer Clinical Trial [0.6087644423424302]
  本稿では,ユビキタスな病理組織スライドからAngioscoreを予測するための新しい深層学習(DL)手法を提案する。 本モデルでは, モデル予測の基盤となる視覚血管ネットワークを生成する。 我々のアプローチは血管新生生物学とAA治療反応に関する知見を提供する。
  論文  参考訳（メタデータ） (2024-05-28T16:21:20Z)
• 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)
• Developing a Novel Image Marker to Predict the Clinical Outcome of Neoadjuvant Chemotherapy (NACT) for Ovarian Cancer Patients [1.7623658472574557]
  ネオアジュバント化学療法(ネオアジュバントセラピー、Neoadjuvant chemotherapy, NACT)は、卵巣がんの進行期における治療法の一つ。 NACTに対する部分的反応は、近位部破裂手術を引き起こす可能性があり、予後不良を引き起こす。 我々は,NATの早期に高精度な予後予測を実現するために,新しい画像マーカーを開発した。
  論文  参考訳（メタデータ） (2023-09-13T16:59:50Z)
• 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)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• 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。