European urology
基于多模态AI的数字病理生物标志物预测前列腺癌根治术后生化复发患者的转移
小赛推荐：
该研究开发并验证了一种基于多模态AI的数字病理生物标志物，用于预测前列腺癌根治术后生化复发患者的转移风险。该模型结合临床变量和病理图像特征，具有良好的预后价值，并可独立于传统临床变量提供风险分层。研究结果表明，该模型在预测远处转移方面优于现有临床列线图，具有临床应用潜力。
文献概述
本文《Development and validation of a multimodal artificial intelligence (MMAI)-derived digital pathology-based biomarker predicting metastasis among patients with biochemical recurrence after radical prostatectomy in NRG/RTOG trials》，发表于European urology杂志，回顾并总结了利用数字病理图像和临床变量构建的多模态AI模型在前列腺癌根治术后生化复发患者中的预后价值。文章展示了该模型在预测远处转移方面的优越性能，并分析了不同风险分层中激素治疗的附加效益。背景知识
前列腺癌根治术后生化复发（BCR）的治疗选择多样，但不同患者的预后存在显著异质性，亟需精准的个体化风险评估工具。尽管已有多个列线图和临床模型用于预后评估，但它们在BCR人群中的预测能力有限。近年来，人工智能（AI）和数字病理技术的进步为病理特征的深度挖掘提供了可能，且已在初诊前列腺癌患者中展现出优于传统模型的预后能力。然而，这些工具尚未在术后BCR患者中得到验证。本研究基于NRG/RTOG 9601和0534试验数据，开发并验证了首个针对术后BCR患者的多模态AI模型，该模型结合图像特征和临床变量，具有较高的判别能力，并能指导个体化治疗决策。
研究方法与实验
研究基于NRG/RTOG 9601和0534试验中的1855名患者数据，其中1322名用于模型训练，533名用于验证。模型整合了数字病理图像特征（通过自监督学习提取）和临床变量（包括病理T分期、病理Gleason分级组、术前PSA、年龄和手术切缘状态）。采用多实例学习框架构建图像模型，并通过晚期融合方法将图像和临床模型结合，生成连续风险评分。模型性能通过时间依赖AUC（tdAUC）和决策曲线分析（DCA）进行评估，同时分析不同风险组的转移发生率及激素治疗的附加效益。关键结论与观点
研究意义与展望
该研究首次在大型III期试验中验证AI模型对术后BCR患者的预后能力，支持其作为个体化治疗决策工具的潜力。未来需前瞻性验证，特别是在不同种族和临床环境中。此外，模型可拓展至其他癌症类型，用于辅助治疗选择和风险评估。研究还表明，AI模型能有效整合图像和临床数据，提供超越传统风险分类的预后分层。
结语
该研究成功构建并验证了一种多模态AI生物标志物，用于预测前列腺癌根治术后生化复发患者的远处转移风险。模型结合数字病理图像和临床变量，显示出优于现有列线图的判别能力，并可指导激素治疗的个体化应用。研究强调了AI在精准肿瘤学中的应用价值，未来需在更广泛人群中进行外部验证，以推动其临床转化。
