Calcularea riscului de recidivă a cancerului mamar cu inteligență artificială
În acest articol
O estimare „mai bună” a riscului de recidivă în cancerul mamar precoce
Cancerul mamar precoce cu receptori hormonali pozitivi (HR+) și HER2 negativ reprezintă aproximativ 70%dintre cancerele mamare. În practica clinică, una dintre cele mai dificile decizii adjuvante este dacă chimioterapia este cu adevărat necesară . Tratamentul insuficient poate crește riscul recidivei, iar cel excesiv poate aduce toxicitate inutilă.
Deși testele genomice utilizate astăzi, precum Oncotype DX, acoperă o nevoie importantă, ele rămân de obicei în intervalul AUC 0.75–0.80 și utilizează limitat informațiile despre arhitectura tumorală/micromediu ascunse în lamele histopatologice. Prezentarea RF5-03 aduce date de validare prospectivă pentru integrarea anatomiei patologice digitale + datelor clinice + scorurilor genomice într-un singur model, prin inteligență artificială (IA) bazată pe învățare profundă .
Notă: acest conținut nu constituie sfat medical. Deciziile prognostice individuale trebuie luate de echipa oncologică în întregul context clinic al pacientului.
p<0.001
Test genomic
Separare mai clară
HR 3.1 (2.5–3.8)
Unde și sub ce formă a fost prezentat studiul?
Rezultatele au fost prezentate la San Antonio Breast Cancer Symposium (SABCS) 2025 , în cadrul Rapid Fire Session 5 , sub codul RF5-03 . Rezumatul de congres a apărut în suplimentul J Clin Oncol : J Clin Oncol. 2025;43(suppl 17):RF5-03.
Designul studiului
Acesta este un studiu al unui model predictiv , nu al unui medicament. Cercetătorii au digitalizat, de la pacienți cu cancer mamar precoce HR+/HER2−, lamele histopatologice și le-au introdus, împreună cu informațiile clinice (vârstă, status ganglionar etc.) și scorul de risc genomic , în același model. Scopul a fost evaluarea capacității de a diferenția probabilitatea recidivei în următorii 5 ani.
Au fost utilizați în total n=2.512 pacienți: modelul a „învățat” inițial pe n=1.200 de pacienți, apoi au fost utilizați n=1.312 de pacienți pentru validare independentă. Urmărirea mediană a fost de 4.1 ani .
Performanța modelului: comparație AUC
Bară: AUC (0–1) • Marcaje subțiri: IC 95% pentru IACe înseamnă diferența „în realitate”?
Creșterea AUC de la 0.78 la 0.88sugerează o distincție mai clară între riscul înalt și cel scăzut. În exemplul din prezentare, la pacienții peste un anumit prag, recidiva la 5 ani era de 25% , iar în grupul cu risc scăzut de 5% . Diferențierea poate influența în clinică discuția privind cine beneficiază cu adevărat de chimioterapie .
Cele mai utile semnale clinice din prezentare
• În grupul cu risc înalt: HR 3.1 (IC 95%: 2.5–3.8)
• Recidivă la 5 ani: 25% (risc înalt) față de 5% (risc scăzut)
• Performanța în subgrupul ganglionar (+): AUC 0.90
• Validare externă (cohortă asiatică, n=300): AUC 0.86
De ce poate anatomia patologică „schimba regulile jocului”?
Lamele histopatologice nu oferă doar diagnosticul, ci și indicii despre comportamentul tumorii: densitate celulară, tipar de creștere, structură stromală și distribuția celulelor imune. Promisiunea IA este standardizarea acestor semnale vizuale și includerea lor în prognostic.
Calibrare și fiabilitate
Pentru calibrare, adică măsura în care predicțiile corespund realității, prezentarea a raportat un scor Brier de 0.12 (mai mic înseamnă mai bun). S-a observat că diferența de performanță între grupurile etnice era limitată (~2%).
Problema „reacțiilor adverse”: cadrul corect
Modelul IA nu este tratament și nu produce direct reacții adverse. Totuși, deoarece poate influența deciziile, problema clinică esențială este clasificarea greșită a riscului , care poate duce la tratament inutil de intens sau insuficient. De aceea, rezultatele modelului trebuie evaluate împreună cu aprecierea medicului , nu separat.
Mesaj practic
RF5-03 oferă un semnal puternic că integrarea datelor genomice, clinice și histopatologice poate îmbunătăți predicția recidivei în cancerul mamar precoce HR+. Dacă validări similare apar în alte centre, asemenea modele IA pot face deciziile adjuvante mai selective și personalizate.
Sursă (rezumatul prezentării): Lazar AJ, Lehman CD, și colab. „AI-based recurrence prediction model in HR+/HER2− early breast cancer: Prospective validation.” J Clin Oncol. 2025;43(suppl 17):RF5-03.
Ți-a fost util acest articol?
Feedbackul tău ne ajută să îmbunătățim conținutul.
Comentariile cititorilor
Împărtășește comentariul tău
Numele și comentariul dumneavoastră sunt publicate numai după aprobarea administratorului. Adresa de e-mail nu este afișată niciodată vizitatorilor.
Fii primul care comentează.