本文题为《An explainable longitudinal multi-modal fusion model for predicting neoadjuvant therapy response in women with breast cancer》,由Yuan Gao、Sofia Ventura-Diaz、Xin Wang等来自荷兰癌症研究所、马斯特里赫特大学医学中心、哈佛医学院等机构的国际团队共同完成。该研究针对乳腺癌新辅助治疗(NAT)反应预测中多模态数据整合与临床适用性的挑战,提出了一种可解释的纵向多模态融合模型——MRP系统。该系统通过结合跨模态知识挖掘和时间信息嵌入策略,整合了乳腺X线摄影、MRI影像及临床病理数据,能够处理缺失模态并适应不同治疗阶段的需求。在包含3352名患者的多中心验证中,MRP在预测病理完全缓解(pCR)时表现出色,Pre-NAT阶段的AUROC达0.883(较基线模型提升14%),性能优于6名国际乳腺放射科医生。此外,决策曲线分析表明,MRP可帮助35.8%的非pCR患者在治疗早期调整方案,并为16.7%的pCR患者避免不必要的手术。该研究为乳腺癌个性化治疗决策提供了可临床部署的AI工具,显著提升了治疗响应预测的准确性和实用性。
发自「今日水木 on 23013RK75C」
--
FROM 59.41.66.*