NACNet：一种用于预测三阴性乳腺癌新辅助化疗治疗反应的组织学上下文感知 Transformer 图卷积网络

三阴性乳腺癌（TNBC）患者新辅助化疗（NAC）反应预测在临床上是一项具有挑战性的任务，因为它需要理解肿瘤微环境（TME）内复杂的组织学相互作用。数字全切片图像（WSI）捕获了详细的组织信息，但其千兆像素级别的尺寸需要基于多实例学习的计算方法，这些方法通常分析小的、孤立的图像块，而不考虑 TME 的空间上下文。为解决这一局限并将 TME 空间组织学相互作用纳入 TNBC 患者 NAC 反应预测，我们开发了一种组织学上下文感知的 Transformer 图卷积网络（NACNet）。我们的深度学习方法从 WSI 中识别单个图像块的组织病理学标签，构建空间 TME 图，并利用源自组织纹理和社会网络分析的特征表示每个节点。它使用增强了图同构网络层的 Transformer 图卷积网络模型预测 NAC 反应。我们使用 105 例 TNBC 患者的 WSI 评估了该方法，并将其性能与多种最先进的机器学习和深度学习模型（包括基于图和非基于图的方法）进行了比较。通过八折交叉验证，NACNet 达到了 90.0% 的准确率、96.0% 的灵敏度、88.0% 的特异性和 0.82 的 AUC，优于基线模型。这些全面的实验结果表明，NACNet 在按 NAC 反应分层 TNBC 患者方面具有巨大潜力，从而有助于防止过度治疗、提高患者生活质量、降低治疗成本并改善临床结果，标志着向个性化乳腺癌治疗迈出的重要一步。