近日，数理医学院校聘教授楼威在国际期刊 MedComm（影响因子 14.1）发表题为“Development and Validation of a Pathomics Model for Prognosis Prediction in Neoadjuvant Therapy-Treated Breast Cancer: A Retrospective, Multicenter Study”的研究论文。卫亚妮医生与楼威教授为共同第一作者，四川大学华西医院步宏教授与腾讯AI Lab姚建华教授为共同通讯作者。

该研究聚焦新辅助治疗后乳腺癌患者预后预测这一临床精准治疗的关键难题。新辅助化疗可使部分患者获得病理完全缓解（pCR），但仍有相当比例患者在达到 pCR 后仍出现远处转移甚至死亡；与此同时，部分非 pCR 患者也可能具有良好长期生存。因此，如何在术后准确识别高危与低危患者，并据此制定个体化辅助治疗策略，仍是临床亟待解决的痛点。现有基于残留癌负荷（RCB）、AJCC 分期及 Neo-Bioscore 等评估体系，在预测总体生存（OS）和无病生存（DFS）方面能力有限，难以充分满足个体化决策需求。此外，单纯依赖术前穿刺病理图像预测疗效，往往难以反映新辅助治疗后肿瘤组织复杂的形态学改变，而术后全切片病理图像（WSI）中蕴含的预后信息尚未被系统挖掘。

图1. CIOPM 模型架构图

为应对上述挑战，该研究提出 CIOPM（ClinicHistomics Integrated Outcome Prediction Model，临床病理组学整合预后预测模型）——一种融合临床病理数据与 H&E 染色术后手术标本全切片图像的多模态人工智能预后预测框架。研究团队回顾性纳入 2008 年至 2020 年间来自四川大学华西医院、中山大学附属第一医院、山西省肿瘤医院及西南医科大学附属医院 4 个中心的 835 例患者、847 张全切片图像，采用基于注意力机制的多实例深度学习提取病理图像特征，并与临床病理变量通过随机生存森林进行多模态融合，实现对 OS 与 DFS 的联合预测。

该研究在两个独立外部验证队列中系统评估了 CIOPM 的性能。结果表明，模型在 OS 预测中的 C-index 分别达到 0.933 和 0.915，在 DFS 预测中分别达到 0.947 和 0.937；3 年和 5 年生存预测的 AUC 最高达 0.957，可稳定将患者划分为高危与低危组。与仅使用临床信息或仅使用病理图像的单模态模型相比，多模态融合显著提升了预测性能；与 RCB、AJCC、Neo-Bioscore 等现有临床风险评估体系，以及 CHIEF、MUSK 等数字病理基础模型相比，CIOPM 亦表现出明显优势。可解释性分析进一步揭示，脂肪浸润、肿瘤吸收区、坏死及成熟胶原纤维等组织形态特征与不良预后密切相关，并据此构建了便于临床应用的列线图工具。

图2. 与传统方法的对比实验结果

该研究证实，基于术后常规 H&E 病理切片与临床病理数据的多模态人工智能模型，可在不增加额外检测成本的前提下，为新辅助治疗后乳腺癌患者提供高精度、可解释的风险分层，为个体化辅助治疗决策提供新工具，也为数字病理与人工智能在肿瘤预后评估中的临床转化提供了多中心验证依据。