AI乳腺癌生存模型旨在提升个性化治疗

辛辛那提大学癌症中心的研究团队介绍了一种人工智能辅助方法，将传统统计方法与深度学习结合，用于预测乳腺癌生存情况。研究发表于Journal of Statistical Theory and Practice，目标是帮助临床医生更细致地评估风险并支持个性化治疗。

生存预测是癌症治疗的重要组成部分，但十分复杂。诊断相似的患者可能在临床特征、肿瘤生物学和遗传特征上存在差异。研究人员认为，传统模型未必能捕捉影响个体预后的复杂变量关系。

该系统采用“融合”策略，将多种统计方法与深度学习结合，而不是单独依赖任何一种方法。研究团队希望更准确地描述患者风险，并识别原本可能被归入同一大类的更细致风险群体。

为什么预测模型需要更细致

乳腺癌并非单一疾病，治疗计划也不仅取决于诊断或分期。临床信息、生物学指标和遗传因素都可能发挥作用。

研究作者Wedad Alatebi表示，项目探讨了统计方法与深度学习结合能否更好地捕捉这些关系。深度学习在此用于识别难以人工明确描述的复杂数据模式。

共同作者Anand Seth表示，这种组合方法可以在数据集中原本看似相似的患者之间建立更具体的风险分组，帮助医生针对特定患者群体调整治疗方案。

连接统计学与AI方法

传统生存统计分析仍然重要，因为它能以结构化方式关联患者因素与结局。新研究并未将深度学习视为完全替代，而是把统计方法置于能够学习复杂模式的框架中。

研究人员称，模型首先将临床信息转换为更能反映患者风险的表示，再将深度学习纳入整体预测过程。这样的设计能够关注因素组合，而不只是简单的单变量关系。

生存模型本身不是治疗决定，而是决策支持工具。其价值取决于能否在合适患者群体中改善预测，并能否与医学判断、患者意愿和其他证据结合使用。

纳入遗传信息

肿瘤遗传信息可能改善生存模型，但遗传检测的可及性并不均衡。辛辛那提团队因此在模型中加入了模拟基因表达数据，以应对全面检测难以实现的情况。

研究人员将这些模拟信息描述为一种在检测受限时考虑肿瘤遗传因素的方式。不过，模拟数据不能替代严格验证。该方法仍是潜在研究路径，而非成熟临床标准。

研究可能意味着什么

如果得到验证，将患者划分为更精确的风险群体，可能有助于支持更个体化的治疗和随访讨论。该研究目前应被视为研究阶段模型，能否改变临床实践取决于后续验证以及预测是否真正带来更好的患者决策。

本文根据Medical Xpress的报道编写。阅读原文。