国际研究：AI将乳腺癌高风险患者再分层，5年生存率差异达6%

手术做完以后，一部分乳腺癌患者会因为复发风险较高，需要在常规治疗基础上进一步“加码治疗”。

过去很长时间，医生主要根据肿瘤大小、淋巴结转移情况、肿瘤分级、患者年龄等临床和病理指标来判断复发风险。

对于高风险人群，术后可能实施的治疗包括化疗、内分泌治疗、CDK4/6抑制剂等等。

但最新一项涉及多模态人工智能（AI）的研究显示，同样被判定为“高风险”的患者，风险程度可能并不相同，治疗结局也可能相差不少。

来源：Oncodaily

今天医生判断一个早期乳腺癌患者复发风险高不高，通常会综合考虑肿瘤大小、淋巴结转移数量、肿瘤恶性程度、患者年龄等很多因素。这些指标当然非常重要，但它们更像是在给患者分“大组”。

比如两名患者都有多个淋巴结转移，肿瘤也都比较大，按照现有标准，她们可能都会被装进“高风险”这个大筐里。

可现实中，两个人后来的命运可能完全不同：有人经过化疗和内分泌治疗以后，很多年都没有复发；另一个人接受类似治疗，几年后仍然出现了远处转移。

传统标准能够告诉我们“这一群人总体比较危险”，却很难进一步判断：经过前面的治疗以后，到底谁还非常危险，谁其实已经没有原来想象得那么危险。

此前，研究人员利用既往3期UNIRAD临床试验留下的病例资料，开展了一项多模态AI分析。

研究共纳入556名淋巴结阳性、HR阳性/HER2阴性早期乳腺癌患者，她们按照传统临床标准都属于高风险人群，并且都接受过术后化疗和内分泌治疗。[1]

与患者随访5年的真实数据对比发现，多模态AI的风险再分层还是比较准确的：

• AI低风险组的5年无病生存率为93%，AI高风险组为80%；

• AI低风险组的5年无远端转移比例为93%，AI高风险组为82%；

• AI低风险组的5年生存率为98%，AI高风险组为92%。

很多人一听“多模态AI”，第一反应可能是需要做什么非常复杂、昂贵的新检查。其实这套AI最核心的材料之一，恰恰是癌症患者几乎人人都会有的东西：病理切片。

Ataraxis Breast CTX做的事情，可以简单理解成：

让AI把整张数字化病理切片重新“看”一遍，再把病理图像里的大量信息与患者的年龄、肿瘤大小、淋巴结情况等临床资料放在一起分析。[1]

AI可以把一张巨大的病理切片拆成大量小区域，寻找一些人眼很难稳定量化的细微模式。研究人员后来检查AI重点关注的区域时发现，风险较高的肿瘤往往更容易出现细胞密集、分裂活跃、浸润性生长、分化较差等特征。[1]

所以它并不是凭空“算命”，更不是为了取代病理医生。更准确地说，医生先通过传统病理和临床资料判断患者属于哪一类，AI则希望在这些信息基础上再往下挖一层，把原本很糙的“高风险人群”继续拆开。

这件事真正有价值的地方，是现在乳腺癌治疗越来越容易遇到一个现实问题：药越来越多，到底哪些人真的需要继续加？

对于真正复发风险很高的人，增加一种药，即使需要多吃几年、承担更多副作用和经济负担，也可能带来额外收益；但如果一个患者经过手术、化疗和内分泌治疗以后，本身5年无病生存率已经很高，那么继续增加一种强化治疗究竟还能多带来多少好处，就值得进一步算清楚。

这也是这类AI真正想走向的目标：

不只是判断患者“符不符合加药标准”，而是进一步回答——这个患者到底还剩多少风险？再加一种药，她真正能多获得多少好处？

不过，目前这套AI还不能直接替患者决定“加药还是减药”。比如AI判断为低风险，并不意味着原本符合条件的患者就可以省掉阿贝西利、瑞波西利等强化治疗；AI判断为高风险，也不代表一定要增加某一种药。

它目前最明确的能力，是把传统意义上的“高风险”患者再分得更细；能不能进一步指导用药增减，还需要前瞻性临床研究验证。

这项研究真正说明的是：“临床高风险”并不等于每个人治疗以后剩下的风险都一样。

过去医生更多问的是：“这个患者符不符合强化治疗标准？”未来如果这类AI经过进一步验证，问题可能会变成：“这个患者到底还剩多少复发风险？继续加药究竟能多获得多少好处？”

从“谁符合加药标准”，走向“谁真正需要加药”，这才是这类AI技术真正想解决的问题。