Los puntos clave no están disponibles para este artículo en este momento.
El diagnóstico preciso y la evaluación de las respuestas al tratamiento del cáncer de mama son desafíos críticos en la práctica clínica, influyendo en las estrategias de tratamiento de los pacientes y, en última instancia, en el pronóstico a largo plazo. Actualmente, el diagnóstico del cáncer de mama y la evaluación de la eficacia de la inmunoterapia neoadyuvante (NAIT) dependen principalmente de la identificación patológica de la morfología, conteo y disposición de las células tumorales. Sin embargo, cuando los tumores son pequeños, es difícil detectar los tumores y los lechos tumorales; confiar únicamente en la identificación de células tumorales puede llevar a falsos negativos. En este estudio, utilizamos el método de microscopía multiphotónica sin etiquetas (MPM) para analizar cuantitativamente el tejido mamario a niveles celulares, extracelulares y texturales, e identificamos 11 factores clave que pueden distinguir efectivamente diferentes tipos de enfermedades mamarias. Se utilizan factores clave y datos clínicos para entrenar un modelo de diagnóstico automático de aprendizaje automático de dos etapas, MINT, para diagnosticar con precisión el cáncer de mama. La capacidad de clasificación de MINT se validó en cohortes independientes (etapa 1 AUC = 0.92; etapa 2 AUC = 1.00). Además, también encontramos que algunos factores podrían predecir y evaluar la eficacia de la NAIT, demostrando el potencial de la MPM sin etiquetas en el diagnóstico y tratamiento del cáncer de mama. Visualizamos que en el futuro, la MPM sin etiquetas puede ser utilizada para complementar la información estromal y textural en tejido patológico, beneficiando el diagnóstico de cáncer de mama y la predicción de la eficacia de la terapia neoadyuvante, ayudando así a los clínicos a formular planes de tratamiento personalizados.
Zhong et al. (Wed,) estudiaron esta cuestión.