患者纳入与数据收集
获取早期HR+/HER2−乳腺癌患者的临床、病理和随访数据，用于模型训练和验证。
回顾性收集三家医院2021年1月至2024年6月接受EndoPredict检测的早期HR+/HER2−乳腺癌患者，排除临床数据不完整或HE切片不可用的病例，最终纳入254例，并收集临床特征、HE切片和EndoPredict风险分组。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
MCLAM：一种用于预测HR+/HER2-乳腺癌复发风险的经济高效的深度学习模型——中国队列的多中心研究
MCLAM: a cost-effective deep learning model for predicting recurrence risk in HR+/HER2- breast cancer-a multi-center study in a Chinese cohort
实验完整度
中研究包含回顾性多中心队列、模型构建与消融实验、生存分析及外部验证，具有明确实验设计和验证结果，但属于回顾性研究，缺乏前瞻性验证和机制实验，符合中等完整度。
主要模型
254例早期HR+/HER2−乳腺癌患者队列（来自3家医院） 338例外部验证队列 65例未接受辅助化疗的早期HR+/HER2−患者队列 273例HER2-low乳腺癌患者队列
重点核对
模型输入：HE染色全切片图像与13维临床特征（需核对具体临床特征列表） 特征提取：预训练ResNet-50与HoVer-Net（需核对具体版本和参数） 训练策略：10折交叉验证，80%训练、10%验证、10%测试（需核对具体划分方式） 生存分析：Kaplan-Meier曲线与Cox回归，P<0.05为显著（需核对具体统计软件和参数） 数据获取：来自中国医学科学院肿瘤医院等3家医院，需核对伦理批准和患者知情同意
摘要
目的：EndoPredict是HR+/HER2−乳腺癌风险分层的金标准，但受限于高成本。我们提出多模态聚类约束注意力多实例学习（MCLAM），一种新颖的深度学习框架，为复发风险预测提供经济高效、准确的替代方案。方法：我们回顾性分析了来自多个中心的254例早期HR+/HER2−乳腺癌患者，并辅以338例外部验证队列。MCLAM创新性地结合了通过ResNet-50提取的组织病理学特征、由HoVer-Net量化的细胞核形态以及通过临床-细胞核特征增强模块和多模态融合策略整合的临床变量。结果：MCLAM优于所有比较模型，取得了令人印象深刻的AUC 0.83和0.82（独立测试集），显著超过传统深度学习基线（ResNet50 AUC = 0.61）和MIL变体（DTFD_MIL_CN AUC = 0.78）。临床上，它将患者分为风险组，低风险组的5年和10年无病生存率和远处无病生存率显著更好（所有P < 0.05），并在HER2-low人群中维持了预测能力（所有P < 0.05）。注意力热图和细胞核特征分析进一步实现了复发风险的生物学可解释性。结论：据我们所知，这是首个且规模最大的多中心研究，在中国HR+/HER2−乳腺癌队列中验证了EndoPredict预测模型，弥补了关键的人群空白。MCLAM为分子检测提供了准确、可解释且经济高效的替代方案，使个体化风险评估变得可及，并支持个性化治疗策略。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否利用深度学习模型，基于常规病理切片和临床数据，经济高效地预测HR+/HER2−乳腺癌的EndoPredict风险分组及其预后？
- 核心机制
- MCLAM通过多模态融合策略整合WSI图像特征、临床特征和核形态特征，利用注意力机制和聚类约束优化，捕捉与复发风险相关的组织病理学模式（如高细胞密度、肿瘤细胞和淋巴细胞比例增加）和临床特征，从而实现精准风险分层。
- 主要证据
- 在254例训练队列中，MCLAM_sb_CN模型在验证集和测试集AUC分别达0.825和0.818，显著优于基线模型（如CLAM AUC 0.51，ResNet50 AUC 0.61）；在65例未接受辅助化疗的患者中，低风险组5年DFS为100% vs 高风险组82.35%（P=0.003）；在273例HER2-low患者中，低风险组5年DFS为90.67% vs 高风险组74.24%（P=0.003），验证了模型的预后分层能力。
- 研究意义
- 该研究首次在中国HR+/HER2−乳腺癌队列中验证了EndoPredict预测模型，为分子检测提供了经济高效的替代方案，有助于在基因组检测前识别高风险患者，优化检测策略，减少不必要的成本，并支持个体化治疗决策。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
多模态特征提取
从WSI中提取组织病理学特征和核形态特征，并与临床特征整合，为模型提供多维输入。
使用预训练ResNet-50从256×256像素的非重叠肿瘤斑块中提取1024维特征，采用Macenko算法进行染色归一化；使用HoVer-Net提取核形态特征（如偏心率、等效直径、欧拉数）；收集13维临床特征。
临床-核特征融合与增强
降低特征冗余，增强临床和核特征的互补性，提升模型对多模态数据的融合能力。
对临床和核特征进行互信息分析（平均MI=0.0259）和相关性分析，采用Max-Min归一化，并通过PCA降维（高度相关特征r>0.8被处理）；将13维临床特征通过全连接层映射为256维嵌入，并应用ReLU激活和Dropout。
多模态融合与模型训练
融合图像特征和临床特征，训练MCLAM模型并进行消融实验，评估各模块贡献。
利用注意力机制聚合图像补丁特征，与临床嵌入拼接成融合特征；采用聚类约束和交叉熵损失联合优化；使用十折交叉验证训练MCLAM变体（如MCLAM_sb_CN, MCLAM_mb_CN等）及基线模型（CLAM, DTFD_MIL等）。
模型性能评估与比较
评估MCLAM的分类性能、校准度和临床效用，并与现有模型比较。
计算AUC、准确率，绘制ROC曲线；通过校准曲线和Brier评分评估校准度；进行决策曲线分析（DCA）评估临床净收益；与CNN（ResNet18等）和MIL（DTFD_MIL等）模型进行比较。
可解释性分析
通过注意力热图和核特征分析，解释模型预测的生物依据。
可视化注意力热图，比较高低风险患者的高、低注意力区域，分析核形态和细胞组成差异；使用t-SNE可视化特征可分离性。
真实世界预后验证
在未接受辅助化疗和HER2-low患者中验证MCLAM风险分层的预后价值。
收集65例未接受辅助化疗患者和273例HER2-low患者的临床、病理和生存数据，使用MCLAM_sb_CN预测风险分组，通过Kaplan-Meier曲线和Cox回归评估DFS和DDFS差异。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
验证分子表达变化
评估体内效果
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 模型特征提取 | ResNet-50 | -- | -- |
| HoVer-Net | -- | -- | |
| 模型训练 | PyTorch（nn.Linear） | -- | -- |
| 生存分析 | R中的survival包 | -- | -- |
| R中的survminer包 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 患者纳入与数据收集 | 患者来源医院、时间范围、纳入排除标准、病例数（254例）、临床数据完整性、HE切片可用性 阅读提示：2.1 患者选择和数据收集 |
| 多模态特征提取 | 补丁大小（256×256像素）、特征维度（1024）、归一化方法（Macenko）、核特征类型（偏心率、等效直径、欧拉数） 阅读提示：2.2 多模态特征提取框架 |
| 临床-核特征融合 | 临床特征维度（13维）、互信息值（0.0259）、归一化方法（Max-Min）、PCA降维阈值（r>0.8） 阅读提示：2.3 CN融合和2.4 CN特征增强模块 |
| 模型训练 | 训练集/验证集/测试集划分（80%、10%、10%）、交叉验证（10折）、损失函数（交叉熵+聚类约束）、消融实验设置（各MCLAM变体） 阅读提示：2.6 模型训练和消融实验 |
| 生存分析 | 队列1（65例未化疗）和队列2（273例HER2低表达）的样本量、生存指标（DFS、DDFS）、统计方法（Kaplan-Meier、Cox回归）、显著性水平（P<0.05） 阅读提示：2.9 真实世界队列的预后评估 |