Eur Urol Oncol：一个基于数字病理的多模人工智能架构在 NRG/RTOG 9902 3 期试验中的外部验证

前列腺癌（PCa）是男性最常见的恶性肿瘤，一生中被确诊的风险接近九分之一。PCa 具有异质性，包括潜伏性和临床侵袭性两种疾病进展途径。通过常规筛查，PCa 主要是在疾病的早期阶段被发现，这也引起了人们对临床惰性疾病过度治疗的担忧。

准确的风险分层对于指导局部前列腺癌（PCa）的治疗决策至关重要。此前，研究人员开发并验证了一种由数字组织病理学和临床特征生成的多模态人工智能（MMAI）模型。近期，来自美国的研究人员在《Eur Urol Oncol》上发表文章，他们对这一模型进行了外部验证，验证对象为高风险或局部晚期前列腺癌患者，并作为 3 期随机对照试验的一部分进行了治疗和随访。

验证队列包括了来自 NRG/RTOG 9902 的 318 例局部高危 PCa 患者，这些患者均有可用的组织病理学资料（参加试验的 397 例患者中有 337 例 [85%] 有可用的切片，其中 19 例 [5.6%] 因图像质量差而未能通过）。研究人员使用 MMAI 模型对预期终点进行了验证：远处转移（DM）和 PCa 特异性死亡率（PCSM）。个体临床因素和美国国家综合癌症网络（NCCN）高危特征的数量作为比较指标，并使用了Fine-Gray或Cox比例危险模型报告了亚分布危险比（sHR）及相应的95%置信区间（CI）。

研究结果发现，与其他预后临床因素和 NCCN 高危特征相比，DM 和 PCSM MMAI 算法分别与 DM（sHR [95% CI]=2.33 [1.60-3.38]，p<0.001）和 PCSM（sHR [95% CI]=3.54 [2.38-5.28]，p<0.001）风险显著且独立相关。DM MMAI较低的75%患者的5年和10年DM发病率估计分别为4%和7%，而最高四分位数患者的5年和10年DM平均发病率分别为19%和32%（P<0.001）。研究人员在 PCSM MMAI 算法中也观察到了类似的结果。

MMAI算法与DM和PCSM终点相关性的单变量分析

综上所述，研究人员从外部验证了之前在患有局部高危疾病男性中开发的 MMAI 模型的预后能力。另外，在已经处于疾病进展高风险的男性人群中，MMAI预后模型在临床和病理变量之外，对DM和PCSM进行了进一步的风险分层。该研究为深度学习 MMAI 模型对改善预后并为患者护理做出更明智的决策提供了一致性的验证。

原始出处：

Ashley E Ross， Jingbin Zhang， Huei-Chung Huang et al. External Validation of a Digital Pathology-based Multimodal Artificial Intelligence Architecture in the NRG/RTOG 9902 Phase 3 Trial. Eur Urol Oncol. Jan 2024