知识卡片：转录组信息引导的多模态 AI：从乳腺癌活检预测新辅助治疗反应

一句话结论

在标注数据稀缺的肿瘤学 AI 背景下，该研究提出两阶段多模态模型：第一阶段从组织病理学推断转录组，第二阶段结合推断表达与临床变量预测乳腺癌新辅助治疗的病理完全缓解（pCR）；在 1,412 例、9 个队列评估中汇总 AUROC 为 0.79（95% CI, 0.73–0.85），提示“生物学信息引导的压缩”可能适用于数据稀疏的精准肿瘤学应用。

事件概述或研究问题

肿瘤学深度学习生物标志物开发受限于标注数据稀缺。本研究关注的问题是：能否先用组织病理学图像学习/推断转录组，从而把乳腺癌活检中的 pCR 预测简化为“推断表达 + 临床变量”的第二阶段任务。模型采用两阶段 AI 设计，并在多队列中开发与评估。

方法/产品要点

• 两阶段 AI 模型：
  • 第一阶段：从组织病理学学习转录组，使用 8,742 名患者、覆盖 32 种癌症类型；该过程由病理学家审阅和与实测表达的空间一致性佐证。
  • 第二阶段：从推断出的表达和临床变量预测新辅助治疗后的 pCR。
• 开发数据：1,080 名患者，5 个队列。
• 评估数据：1,412 名患者，9 个队列。
• 评估重点包括：汇总 AUROC、在分子亚型内部区分应答者、与组织病理学生物标志物比较、瘤内采样稳定性、极少活检组织条件下的表现，以及消融实验。
• 模型架构、训练细节、输入模态具体形式、代码与数据可用性：待核实。

主要结果或产业意义

• 汇总 AUROC：0.79（95% CI, 0.73–0.85）。
• 能够在分子亚型内部区分应答者。
• 优于组织病理学生物标志物。
• 在瘤内采样变化和极少活检组织条件下保持稳定。
• 消融实验显示，转录组范围推断优于仅用临床变量或单阶段病理模型；通过避免基因组检测的基因选择约束，模型具备一定鲁棒性。
• 产业意义：若结果可复现，可能为数据稀疏的精准肿瘤学提供一种利用病理信息推断分子表型、辅助治疗反应预测的思路；临床效用、成本效益、监管路径与实际部署可行性待核实。

为什么重要

• 直接回应肿瘤学 AI 中“标注数据稀缺”这一核心瓶颈。
• 将组织病理学、推断转录组和临床变量结合，属于多模态但以生物学信息压缩为核心的路径。
• 多队列开发与评估、消融实验和稳定性分析，为该类数字生物标志物提供了较完整的验证框架雏形。
• 摘要结论指出“biologically informed compression may generalize to data-sparse applications in precision oncology”，但这一外推仍需全文和独立验证支持。

与既有脉络的关系

• 与既有乳腺癌 X 线摄影迁移学习卡片同属乳腺癌 AI，但本条聚焦新辅助治疗 pCR 预测与组织病理推断转录组，而非筛查或病灶诊断。
• 与多模态推理、机器教学类卡片共享多模态学习议题，但本条具体方法是“病理图像→转录组→临床变量”的两阶段临床预测流程。
• 增量信息：提供了一种面向数据稀缺场景的生物学信息压缩思路，并报告了跨 9 队列的 pCR 预测汇总结果。

局限与不确定性

• 当前材料仅为 arXiv 页面/摘要摘录，全文细节不足；模型架构、损失函数、校准、决策曲线、pCR 定义、治疗方案、队列重叠情况、患者人口学信息、外部验证独立性、前瞻验证、偏倚与公平性分析均待核实。
• AUROC 0.79 属于中等区分度，是否足以支持临床决策仍需阈值分析、净获益和前瞻研究验证。
• “优于组织病理学生物标志物”的具体比较对象、统计方法和置信区间待核实。
• “稳定 across intratumoral sampling and with minimal biopsy tissue”的统计细节、样本量和实验设置待核实。
• arXiv 预印本的同行评审状态、最终发表状态、代码与数据开放情况待核实。
• 英文关键词字段在原始材料中未明确列出：待核实。

可用于图书/PPT/简报的角度

• 数据稀缺下的两阶段 AI：先学生物学中间层，再做临床终点预测。
• 多模态融合流程：组织病理图像 → 推断转录组 → 临床变量 → pCR 预测。
• 数字病理与“虚拟分子表型”在精准肿瘤学中的潜力与证据要求。
• 消融实验设计：临床变量、单阶段病理模型、转录组范围推断的对比。
• 外部验证与鲁棒性：多队列评估、瘤内采样、极少活检组织。
• 临床转化讨论：AUROC 0.79 如何解读，何时需要前瞻试验、监管审评和成本效益分析。
• PPT 可考虑：两阶段流程图、队列与样本量表、消融结果示意、AUROC 与置信区间展示、局限性清单。

原始材料

• 英文标题：Transcriptome-informed multi-modal AI for predicting neoadjuvant therapy response from breast cancer biopsies
• 英文关键词：原始材料未提供关键词字段，待核实。可确认的英文术语（非原文关键词字段）：Transcriptome-informed multi-modal AI; neoadjuvant therapy response; breast cancer biopsies; pathological complete response (pCR); histopathology; transcriptome.
• 原始来源：arXiv:2610.03693v1，https://arxiv.org/abs/2610.03693v1
• PDF：https://arxiv.org/pdf/2610.03693v1
• 作者：Jungkyu Park, Dhruva Biswas, Joseph Cappadona, Cerise Tang, Ken G. Zeng, Bartosz Machura, Chuwen Liu, Paolo Tarantino, Coral Omene, Francisco J. Esteva, Rohit Bhargava, Marcin Braun, Kamila Paździerz, Jakub Czerwiński, Hanna Romańska-Knight, Albert Grinshpun, Bareket Daniel, Michele Buchinger, Frederick Howard, Piotr Wysocki, Brie Chun, Freya Schnabel, Rich Caruana, Jan Witowski, Krzysztof J. Geras
• 分类：cs.AI
• 发布时间：2026-10-02T17:52:57Z
• 材料类型：arXiv 摘要/页面摘录；全文与同行评审状态待核实。