基于计算机深度学习早期精准预测HER-2阳性乳腺癌新辅助化疗疗效的研究

The incidence of breast cancer in recent years continued to rise. Because preoperative neoadjuvant chemotherapy is not effective for all patients, and its efficacy cannot be predicted early with the treatment of blindness, we propose a method to accurately predict the efficacy of neoadjuvant chemotherapy in HER-2 positive breast cancer by deep learning. On the basis of previous studies on breast cancer, integrating multimodal MRI (T1WI, T2WI, diffusion, perfusion imaging), converting the digital image information into high throughput data to extract the quantitative characteristics of tumor biology (morphology, tumor heterogeneity, diffusion and blood perfusion), data mining and establish quantitative database. It is expected to establish a prediction model for neoadjuvant chemotherapy with HER-2 positive breast cancer, and finally to establish a non-invasive, multi-function and accurate medical imaging method and individualized evaluation model, and contribute to the early diagnosis and early intervention of the active treatment for breast cancer.

乳腺癌发病率近年持续上升，针对HER-2阳性乳腺癌术前新辅助化疗疗效无法早期预测、长期服用药物耐药性的监测等难题，本项目在既往对乳腺癌新辅助化疗的研究基础上，提出利用多模态医学影像图像与深度学习有机融合，超早期精准预测HER-2阳性乳腺癌化疗疗效的设想。通过整合多模态磁共振（常规、弥散、动态增强）图像，利用深度学习提取多维度肿瘤生物学特征（形态学、肿瘤周围微环境、肿瘤异质性、分子弥散和血流灌注功能），建立基于深度学习特征表达超早期精准预测HER-2阳性乳腺癌新辅助化疗疗效评估的模型，并通过独立的前瞻性样本验证该模型的预测准确性，实现对HER-2阳性乳腺癌新辅助化疗敏感性的精准预测，从而有望建立一种无创、多功能的精准影像医学新方法及个体化评估模式。

乳腺癌发病率近年持续上升，针对HER-2阳性乳腺癌术前新辅助化疗疗效无法早期预测、长期服用药物耐药性的监测等难题，本项目基于影像组学及深度学习方法，构建预后预测模型，实现对患者的个体化预后预测。本项目主要从以下几个方面展开研究：包括HER2相关分子标志物的分类与影像组学筛选特征的关系、HER2阳性乳腺癌影像特征提取和筛选，以及影像组学深度学习预后预测模型构建、验证和优化。.该项目共纳入114名HER2阳性乳腺癌行新辅助治疗（NAT）的患者，随机分为训练组（n=78）和验证组（n=36），通过动态增强MRI图像对HER2阳性乳腺癌进行三维病灶分割，使用深度学习影像组学（DLR）进行特征提取-包括深度语义特征提取模块和特征选择模块；通过特征出现频率选取频率出现大于75%以上的特征，纳入逻辑回归分类器，进行分类预测：对于治疗前影像组学特征RS0，最终提取了9个特征；DLR提取了26个特征；对于治疗后影像组学特征RS1，影像组学最终提取了11个特征；DLR提取了 23个特征。将筛选的特征建立预测模型，在预测HER2阳性乳腺癌pCR方面：训练组和验证组中DLR具有较好的诊断性能（AUC=0.954）。研究结果表明，基于多参数DCE-MRI的影像组学及深度学习特征，对HER2阳性乳腺癌的预后预测具有良好的效能，有望建立一种无创、多功能的精准影像医学新方法及个体化评估模式。基于该研究项目，本项目组发表课题相关文章十余篇，其中SCI文章11篇，参与国家自然科学基金面上项目1项，参与国家发明专利3项，培养研究生3名（1名在读硕士，2名博士已毕业）。