铂耐药是卵巢癌治疗的主要障碍。虽然AI模型在药物反应预测中展现出潜力，但其“黑箱”属性限制了临床应用。Enyu Tang博士展示了一项可解释的多模态深度学习框架，该模型不仅能精准预测铂敏感性（AUC > 0.9），还能识别出耐药相关的组织病理学特征（如微乳头结构）和分子通路。这标志着卵巢癌精准医疗向临床转化迈出了重要一步。【肿瘤资讯】邀您关注详情。
摘要ID：601O
英文标题：From slides to signals: A multimodal deep learning framework decoding platinum resistance in ovarian cancer
中文标题：从切片到信号：解码卵巢癌铂耐药的多模态深度学习框架
讲者：Enyu Tang, Beijing, CN
研究背景
铂耐药是卵巢癌治疗的重大挑战。AI模型的临床效用取决于其可解释性和生物学合理性。本研究提出了一种可解释的多模态深度学习框架，旨在预测铂敏感性并识别耐药的组织病理学和分子相关性。
研究方法
研究整合了来自431例患者（376例内部队列，55例TCGA）的1182张FFPE切片（原发/转移病灶）和临床数据，利用聚类约束注意力多实例学习（CLAM-MIL）架构结合最先进的Transformer编码器（UNI2-h）。为解释模型，生成了注意力热图以定位组织形态学特征，并在病理学家的协助下进行分析；同时对根据模型预测分层的TCGA病例进行了转录组学分析。
研究结果
该多模态深度学习框架在预测铂敏感性方面表现优异，基线模型（仅原发病灶）的AUC分别达到0.896（内部测试）和0.876（TCGA外部验证）。整合转移病灶特征和临床数据后，内部测试组的预测性能进一步提升（AUC=0.914）。 病理学分析揭示了关键的形态学差异：耐药病例表现出更多的实性/微乳头状模式，而敏感病例则表现出治疗相关的变化（如间质玻璃样变）。转录组学分析发现耐药肿瘤中神经活性配体-受体和cAMP信号通路显著富集（FDR<0.05）。
研究结论
通过整合多部位组织病理学和临床数据，研究者开发了一种具有临床操作性的铂敏感性预测工具。该模型的可解释性提供了病理学和分子层面的见解，有助于指导治疗策略，是卵巢癌精准肿瘤学的重要一步。
排版编辑：肿瘤资讯-Kelly
苏公网安备32059002004080号
