محاسبه خطر عود سرطان پستان با هوش مصنوعی
در این مقاله
پیش‌بینی «بهتر» خطر عود در سرطان پستان اولیه
سرطان پستان اولیه HR مثبت (HR+) و HER2 منفی، حدود 70%همه سرطان‌های پستان را تشکیل می‌دهد. دشوارترین تصمیم در کار بالینی، تشخیص درستِ ضرورت واقعی شیمی‌درمانی کمکی است؛ زیرا درمان کمتر از نیاز ممکن است خطر عود را بیشتر کند و درمان بیش از نیاز، سمیت غیرضروری ایجاد کند.
آزمون‌های ژنومی کنونی، مانند Oncotype DX، خلأ مهمی را پر می‌کنند، اما معمولاً در محدوده AUC 0.75–0.80 می‌مانند و از اطلاعات پنهان در اسلایدهای آسیب‌شناسی، یعنی معماری و ریزمحیط تومور، استفاده محدودی می‌کنند. ارائه RF5-03، آسیب‌شناسی دیجیتال + داده بالینی + نمره ژنومی را در یک مدل هوش مصنوعی مبتنی بر یادگیری عمیق ترکیب کرده و با داده‌های اعتبارسنجی آینده‌نگر مطرح می‌کند.
نکته: این مطلب توصیه پزشکی نیست. تصمیم پیش‌آگهی فردی باید با در نظر گرفتن همه زمینه‌های بالینی بیمار، توسط گروه سرطان‌شناسی گرفته شود.
p<0.001
آزمون ژنومی
تفکیک روشن‌تر
HR 3.1 (2.5–3.8)
این مطالعه کجا و در چه قالبی ارائه شد؟
یافته‌ها در همایش سرطان پستان سن‌آنتونیو (SABCS) 2025، در بخش نشست ارائه سریع 5، با کد RF5-03 ارائه شد. خلاصه همایش در ضمیمه J Clin Oncol منتشر شد: J Clin Oncol. 2025;43(suppl 17):RF5-03.
طراحی مطالعه
این پژوهش درباره دارو نیست، بلکه مطالعه یک مدل پیش‌بینی است. پژوهشگران در بیماران سرطان پستان اولیه HR+/HER2−، اسلایدهای آسیب‌شناسی را دیجیتال کردند و همراه اطلاعات بالینی مانند سن و وضعیت غدد لنفاوی و نمره خطر ژنومی، به یک مدل دادند. هدف، سنجش توان تفکیک احتمال عود در 5 سال آینده بود.
در مجموع، n=2.512 بیمار استفاده شد: مدل ابتدا در n=1.200 بیمار «یاد گرفت» و سپس در n=1.312 بیمار، مستقل اعتبارسنجی شد. میانه پیگیری، 4.1 سال گزارش شد.
عملکرد مدل: مقایسه AUC
میله: AUC (0–1) • نشانه باریک: فاصله اطمینان 95% برای هوش مصنوعیاین تفاوت در واقع چه معنایی دارد؟
افزایش AUC، از 0.78 به 0.88،نشان می‌دهد مدل شاید تفکیک روشن‌تری میان پرخطر و کم‌خطر ایجاد کند. در نمونه ارائه‌شده، عود 5 ساله در افراد بالاتر از آستانه مشخص، 25% و در گروه کم‌خطر، 5% بود. این تفکیک ممکن است بحث بالینی درباره اینکه چه کسی واقعاً از شیمی‌درمانی سود می‌برد، را تحت تأثیر قرار دهد.
کاربردی‌ترین نشانه‌های بالینی ارائه
• در گروه پرخطر: HR 3.1 (فاصله اطمینان 95%: 2.5–3.8)
• عود 5 ساله: 25% در پرخطر در برابر 5% در کم‌خطر
• عملکرد در زیرگروه غدد لنفاوی مثبت: AUC 0.90
• اعتبارسنجی بیرونی، همگروه آسیایی، n=300: AUC 0.86
چرا آسیب‌شناسی می‌تواند «معادله را عوض کند»؟
اسلاید آسیب‌شناسی فقط تشخیص نمی‌دهد؛ سرنخ رفتار تومور را نیز دارد، مانند تراکم سلول، الگوی رشد، ساختار استروما و توزیع سلول‌های ایمنی. وعده هوش مصنوعی، استاندارد کردن این نشانه‌های تصویری و افزودن آن‌ها به پیش‌آگهی است.
کالیبراسیون و اطمینان‌پذیری
برای سنجش تطابق پیش‌بینی مدل با واقعیت یا کالیبراسیون، نمره Brier برابر 0.12 گزارش شد؛ کمتر بهتر است. گفته شد تفاوت عملکرد میان گروه‌های قومی محدود و حدود2%بوده است.
موضوع «عارضه»: چارچوب درست
این مدل هوش مصنوعی درمان نیست و عارضه مستقیم ایجاد نمی‌کند. اما چون ممکن است بر تصمیم اثر بگذارد، مسئله اصلی بالینی، طبقه‌بندی نادرست خطر و احتمال درمان بیش از نیاز یا کمتر از نیاز است. بنابراین، خروجی مدل باید همراه ارزیابی پزشک بررسی شود، نه به‌تنهایی.
پیام کاربردی
RF5-03 نشانه قدرتمندی است که ترکیب ژنومیک، داده بالینی و آسیب‌شناسی ممکن است پیش‌بینی عود در سرطان پستان اولیه HR+ را بهتر کند. اگر اعتبارسنجی مشابه در مراکز دیگر نیز به دست آید، چنین مدل‌هایی می‌توانند تصمیم کمکی را انتخابی‌تر و شخصی‌تر کنند.
منبع (خلاصه ارائه): Lazar AJ, Lehman CD, و همکاران. “AI-based recurrence prediction model in HR+/HER2− early breast cancer: Prospective validation.” J Clin Oncol. 2025;43(suppl 17):RF5-03.
آیا این مقاله برای شما مفید بود؟
بازخورد شما به بهبود محتوای ما کمک می‌کند.
نظرهای خوانندگان
نظر خود را بنویسید
نام و دیدگاه شما فقط پس از تأیید مدیر منتشر می‌شود. نشانی ایمیل شما هرگز به بازدیدکنندگان نمایش داده نمی‌شود.
اولین نظر را شما بنویسید.