摘要：期刊《Nature Communications》上发表的文章《Multimodal histopathologic models stratify hormone receptor-positive early breast cancer》涉及一种多模态的组
本文约3600字，建议阅读6分钟
本文介绍了多模态AI模型Orpheus革新乳腺癌精准治疗—基于H&E病理图像实现高风险分层与复发预测的重大突破。
期刊《Nature Communications》上发表的文章《Multimodal histopathologic models stratify hormone receptor-positive early breast cancer》涉及一种多模态的组织病理学模型，该模型用于对激素受体阳性的早期乳腺癌进行分层分析。具体而言，这些模型结合了多种数据类型和分析技术，如组织切片图像、分子特征及临床信息，从而能够更精确地评估患者的病理特征和预后。这种分层方法旨在提高对早期乳腺癌患者的个体化治疗策略，以优化临床决策和治疗效果。通过整合不同的生物标志物和临床数据，这些模型能够识别出不同患者群体的风险程度，从而为激素受体阳性的早期乳腺癌患者提供更为精准的诊断和治疗方案。
01 引言
研究旨在开发一种名为Orpheus的多模态深度学习工具，以利用常规苏木精-伊红（H&E）染色全切片图像推断激素受体阳性（HR+）早期乳腺癌（EBC）的Oncotype DX®复发评分（RS）。研究收集了6172例HR+/HER2-EBC患者的数据，采用基于Transformer的模型，整合H&E图像与文本病理报告进行训练和评估。结果显示，Orpheus在识别高风险患者方面表现优异，其准确性超越传统的ODX RS和基于临床病理特征的模型，为个性化辅助治疗提供了重要依据。此外，Orpheus不仅能识别高风险患者，还在ODX RS≤25的群体中有效预测远处复发风险，揭示了生物学相关性。这一模型的经济高效性和临床应用潜力为未来的癌症管理提供了新的方向。未来研究将进一步验证其临床效用，并探索整合其他生物标志物的可能性。
02 模型介绍
这篇文章中研究的模型名为Orpheus，它是一个多模态深度学习模型，旨在通过整合苏木精-伊红（H&E）染色全切片图像（WSI）和文本病理报告来推断Oncotype DX®（ODX）复发评分（RS）。
一、模型架构
Orpheus模型是一个多模态深度学习架构，它结合了图像数据和文本数据来提高预测性能。
数据预处理模块：图像预处理：对H&E染色的WSI进行预处理，包括切片、归一化等步骤，以提取出包含组织的图像块（tiles）。文本预处理：对病理报告进行文本解析，提取关键信息，如肿瘤大小、淋巴结状态、Nottingham分级等。特征提取模块：图像特征提取：使用预训练的Transformer模型（如CTransPath）对图像块进行特征提取，将图像块映射到高维特征空间。文本特征提取：使用自然语言处理（NLP）技术，如BERT模型，对病理报告进行特征提取，得到文本的嵌入表示。多模态融合模块：将图像特征和文本特征进行融合，采用的方法包括简单的特征拼接、注意力机制等，以捕获跨模态的相互作用和相关性。回归模块：使用一个全连接神经网络或Transformer的回归头，将融合后的多模态特征映射到连续的ODX RS值。
二、各模块功能
图像预处理模块：功能：准备高质量的图像数据供后续的特征提取使用。具体步骤：切片、归一化、去噪等，以确保图像数据的一致性和可比较性。图像特征提取模块（基于Transformer）：功能：从图像块中提取高维特征，以捕获图像中的病理信息。具体实现：使用预训练的Transformer模型对图像块进行编码，生成具有丰富语义信息的特征向量。文本特征提取模块（基于BERT）：功能：从病理报告中提取关键信息，以文本形式表征患者的临床病理特征。具体实现：使用BERT模型对病理报告进行编码，生成文本的嵌入表示，这些嵌入可以反映报告中的语义信息。多模态融合模块：功能：整合图像特征和文本特征，以充分利用多模态数据中的互补信息。具体实现：采用注意力机制或简单的特征拼接方法，将图像特征和文本特征进行融合，生成多模态特征表示。回归模块：功能：将多模态特征映射到连续的ODX RS值，以实现复发风险的预测。具体实现：使用全连接神经网络或Transformer的回归头对多模态特征进行处理，输出预测的ODX RS值。三、模型特点
多模态：Orpheus模型结合了图像数据和文本数据，充分利用了多模态数据中的互补信息，提高了预测性能。深度学习：采用先进的深度学习技术，如Transformer和BERT，对图像和文本数据进行高效的特征提取和融合。可解释性：通过可视化注意力机制和核特征分析，揭示了模型预测背后的生物学意义，提高了模型的可解释性。Orpheus模型架构
总之，Orpheus模型通过整合多模态数据和先进的深度学习技术，实现了对HR+/HER2-EBC患者复发风险的准确预测，具有潜在的临床应用价值。
03 研究结果
研究成果概述
Orpheus模型是一个多模态深度学习工具，旨在克服ODX RS的成本和时间限制，为HR+/HER2-早期乳腺癌（EBC）患者提供一种经济高效的复发风险评估方法。
模型开发成功：成功开发了Orpheus多模态深度学习模型，该模型能够整合H&E染色全切片图像（WSI）和文本病理报告来推断ODX RS。模型性能优越：在内部测试集（MSK-BRCA）上，Orpheus模型在识别高风险疾病（RS>25）方面表现出色，AUC达到0.88，显著高于基于临床病理特征的列线图（AUC为0.73）。在外部验证集（IEO-BRCA和MDX-BRCA）上，Orpheus模型同样表现出优异的性能，AUC分别为0.81和0.80-0.85。多模态融合提升性能：与单模态模型（仅基于WSI或文本报告）相比，多模态Orpheus模型在识别高风险疾病方面的性能显著提升。多模态融合能够捕获跨模态的相互作用和相关性，从而提供更准确的风险预测。临床验证有效：在具有长期随访数据的患者中，Orpheus模型在识别远处复发风险方面的性能优于ODX RS本身。对于ODX RS≤25的患者，Orpheus模型的平均时间依赖性AUC为0.75，而ODX RS仅为0.49。模型可解释性强：通过可视化注意力机制和核特征分析，揭示了模型预测背后的生物学意义。发现免疫浸润和细胞增殖等特征与高风险疾病显著相关，进一步验证了模型的准确性和可靠性。研究数据
数据集组成：研究共收集了6172例HR+/HER2-EBC患者的数据，包括H&E染色的FFPE组织切片、病理报告和ODX RS。数据集分为训练集（80%）、验证集和测试集（20%）。数据集特点：数据集来自三个不同的机构，确保了数据的多样性和泛化能力。数据集包含丰富的临床病理信息，为模型的开发和验证提供了坚实的基础。模型训练与验证：使用训练集对Orpheus模型进行训练，并在验证集上进行初步的性能评估。在内部测试集和外部验证集上全面评估模型的性能，包括AUC、AUPRC、F1分数等多个指标。临床数据分析：对具有长期随访数据的患者进行临床分析，评估Orpheus模型在识别远处复发风险方面的性能。通过与ODX RS的比较，验证Orpheus模型在临床应用中的优越性。研究成果的意义
Orpheus模型的开发和验证为HR+/HER2-EBC患者的复发风险评估提供了一种新的、经济高效的方法。该模型不仅性能优异，而且具有高度的可解释性，能够为临床决策提供有力支持。此外，Orpheus模型还具有潜在的临床应用价值，能够扩大ODX RS的应用范围并提高个性化治疗的效果。
04 研究意义
1. 推进个性化医疗的发展
个性化医疗是当前医疗领域的重要趋势，旨在根据患者的个体特征提供定制化的治疗方案。这篇文章通过开发Orpheus多模态深度学习模型，成功实现了对激素受体阳性早期乳腺癌患者复发风险的准确预测，为个性化治疗提供了科学依据。模型的应用可以帮助医生更准确地评估患者的风险状况，从而制定更加个性化的治疗方案，提高治疗效果和患者的生活质量。
2. 克服传统检测方法的局限性
传统的Oncotype DX（ODX）复发评分（RS）检测方法虽然有效，但其高成本和长检测时间限制了其在全球范围内的应用。Orpheus模型的提出，为克服这些局限性提供了新的思路。该模型利用常规苏木精-伊红（H&E）染色全切片图像（WSI）和文本病理报告来推断ODX RS，无需额外的基因检测，大大降低了检测成本和时间。这使得更多患者能够受益于复发风险预测技术，提高了医疗资源的利用效率。
3. 促进多模态数据在医疗领域的应用
这篇文章强调了多模态数据在医疗领域的重要性，并展示了如何通过深度学习技术整合多模态数据来提高预测性能。Orpheus模型的成功开发，为多模态数据在医疗领域的应用提供了有力的支持。未来，随着医疗数据的不断积累和多模态数据整合技术的不断发展，类似的模型有望在更多疾病领域得到应用，推动医疗领域的数字化转型。
4. 提升医疗决策的科学性和准确性
通过整合图像和文本数据，Orpheus模型能够提供更全面、更准确的患者信息，从而帮助医生做出更科学的医疗决策。这种基于大数据和人工智能的决策支持系统，有望在未来成为医疗领域的重要工具，提高医疗服务的质量和效率。
5. 推动乳腺癌研究的发展
乳腺癌是全球范围内最常见的恶性肿瘤之一，对女性健康构成严重威胁。这篇文章的研究成果为乳腺癌的复发风险预测提供了新的思路和方法，有望推动乳腺癌研究的进一步发展。通过深入研究乳腺癌的复发机制和治疗策略，有望在未来开发出更加有效的治疗方法和预防措施，提高患者的生存率和生活质量。
总结
这篇文章的发表不仅为个性化医疗的发展提供了新的思路和方法，还克服了传统检测方法的局限性，促进了多模态数据在医疗领域的应用。同时，该研究成果有望提升医疗决策的科学性和准确性，推动乳腺癌研究的发展。这些意义不仅体现在学术研究层面，更将对临床实践产生深远的影响。
来源：数据派THU一点号
