Рак груди — самый частый женский рак, и около 70% случаев относятся к гормон-рецептор-положительному, HER2-отрицательному подтипу. Всем таким пациенткам назначают эндокринную терапию, но добавление химиотерапии помогает лишь части из них. Существующие генетические тесты, такие как Oncotype DX, оценивают риск рецидива, а не пользу химиотерапии, что ведёт к избыточному лечению. Работа стоит среди исследований по прогнозированию исходов рака по медицинским изображениям и генетическим данным. Соседние работы используют глубокое обучение для прогноза рецидива или ответа на терапию, но почти все они остаются прогностическими, а не предсказательными: они не оценивают, насколько конкретному пациенту поможет конкретное лечение. Данная статья заполняет этот пробел, применяя причинно-следственный подход к мультимодальным данным.
Модель CTX объединяет два источника данных: гистологические снимки опухоли, обработанные предобученной нейросетью Falcon (обучена на двух миллиардах фрагментов тканей), и стандартные клинические признаки, такие как возраст, стадия опухоли и статус рецепторов. Для оценки индивидуального эффекта лечения использовалась контрфактическая регрессионная сеть (CFRNet), которая выравнивает распределения признаков между группами пациенток, получавших и не получавших химиотерапию. Это позволяет модели предсказывать вероятность рецидива для каждой пациентки в двух сценариях: только с эндокринной терапией и с добавлением химиотерапии. Разница между этими предсказаниями и есть персональная польза химиотерапии. Модель обучалась на данных 9 141 пациентки из 12 когорт в 9 странах, а проверялась на 1 994 пациентках из 5 независимых когорт.
Модель показала почти идеальную калибровку: предсказанная вероятность рецидива совпадала с реальной частотой событий. Дискриминационная способность составила AUC 0.711 для 5-летнего горизонта и 0.765 для 10-летнего. Главный показатель — взаимодействие между предсказанной пользой химиотерапии и фактическим лечением — оказался статистически значимым (p = 8.11×10⁻⁵). У пациенток с высокой предсказанной пользой химиотерапия снижала риск рецидива на 58% (HR = 0.42), тогда как у пациенток с низкой пользой эффекта не было (HR = 1.40). В прямом сравнении с Oncotype DX на одних и тех же пациентках CTX показал более сильную связь с пользой лечения (p = 9.68×10⁻⁴ против p = 0.0247). Модель также выявила морфологические и молекулярные корреляты: опухоли с высокой предсказанной чувствительностью к химиотерапии были обогащены генами клеточного цикла, репликативного стресса и иммунного ответа.
Работа отличается от соседних исследований тем, что напрямую оценивает персональную пользу лечения, а не только прогноз. Большинство существующих моделей, включая те, что используют глубокое обучение на гистологии, предсказывают риск рецидива независимо от терапии, что не позволяет решить, кому химиотерапия нужна. Здесь же причинно-следственная модель разделяет прогноз и чувствительность к лечению, что принципиально меняет клиническое применение. Кроме того, модель работает на рутинных данных (гистология и клиника), без дорогих генетических тестов, что расширяет доступность персонализированной онкологии.
Подход может быть расширен на другие виды рака и другие методы лечения. Авторы показали, что модель, обученная только на раке груди, без дообучения переносится на 16 других типов рака, особенно на те, где применяются схожие цитотоксические препараты. В перспективе можно добавить пространственные молекулярные данные или циркулирующую опухолевую ДНК для улучшения предсказаний. Также возможно обучение модели для оценки эффекта таргетной терапии и иммунотерапии.
Результаты повлияют на клиническую онкологию, позволяя сократить избыточное назначение химиотерапии и направить её тем, кто действительно получит пользу. Это также ускорит разработку новых биомаркеров и изменит дизайн клинических исследований, где отбор пациентов станет более точным.
Необходима проспективная валидация модели в рандомизированных клинических исследованиях, чтобы подтвердить её предсказательную точность в контролируемых условиях. Также стоит изучить возможность предсказания эффекта конкретных схем химиотерапии и комбинаций с таргетными препаратами.
В онкологии остаётся нерешённой проблема идентификации пациентов, которым адъювантная химиотерапия действительно принесёт пользу. Существующие прогностические биомаркеры смешивают риск рецидива и чувствительность к лечению, что ведёт к перелечиванию. Данная работа напрямую решает эту задачу, разделяя прогноз и эффект лечения на индивидуальном уровне.
Модель Falcon, используемая для анализа гистологических снимков, была обучена на двух миллиардах фрагментов тканей — это примерно 40 000 полных слайдов, что сопоставимо с архивом крупного онкологического центра за десятилетия.
Идея предсказания индивидуальной реакции на лечение перекликается с фильмом «Гаттака», где генетический анализ определяет судьбу человека. Здесь, однако, речь не о фатализме, а о возможности выбрать оптимальную терапию на основе данных.