arXivAI 研究進階

結合轉錄體推論的多模態 AI：精準預測乳腺癌術前輔助治療反應

Transcriptome-Informed Multi-Modal AI Predicts Breast Cancer Treatment Response

2026/10/032 分鐘閱讀

30 秒看懂

本研究針對腫瘤學中標記資料稀缺的痛點，提出雙階段 AI 預測架構。第一階段利用 32 種癌症、8,742 名患者的病理切片資料，訓練 AI 從常規 H&E 病理影像中推估轉錄體（基因表現）；第二階段再結合此虛擬轉錄體與臨床變數，預測乳腺癌術前輔助治療的病理完全緩解（pCR）。在包含 1,412 名患者的 9 個外部佇列驗證中，該模型達到 0.79 的 AUROC，優於傳統病理生物標記，且在極少切片樣本下仍具高穩定性。

核心重點

雙階段多模態架構

先從病理切片影像推估轉錄體，再結合臨床資料預測 pCR，有效解決標記資料稀缺的難題。

跨中心佇列驗證

在 1,412 名患者（共 9 個獨立佇列）中進行外部驗證，展現強大泛化能力，達到 0.79 的 AUROC。

微量組織高耐受性

即使面臨腫瘤內部採樣差異，或在極少的活檢切片組織下，模型的預測效能依舊保持穩定。

突破基因篩選限制

採用全轉錄體尺度的推論，避免了傳統基因檢測預先限定特定基因組的缺點，提升臨床實用性。

技術圖解

雙階段多模態預測模型架構

為什麼重要

傳統基因檢測（如 Oncotype DX）費用昂貴、耗時且需要足夠的實體組織。這項研究證明，透過「生物學資訊引導的壓縮技術」，AI 能直接從普及且低成本的常規 H&E 染色切片中提取深層分子特徵。這不僅大幅降低精準醫療的門檻，也為其他缺乏標記資料的罕見癌症或數據稀缺領域，提供了一套可複製的 AI 開發範式。

對誰有影響

AI 研究人員
企業決策者
產品經理

可以怎麼使用

1預測乳腺癌患者對術前輔助治療（如化療、標靶治療）的反應，輔助醫生優化個人化治療方案。
2在無法進行昂貴基因定序的基層醫療或資源匱乏機構中，作為低成本的虛擬轉錄體替代工具。

限制與注意事項

轉錄體數據為 AI 模型推估而非實際測量值，可能存在一定程度的推論偏差。
目前仍屬於回顧性研究，需要在更多元的人群和前瞻性臨床試驗中進一步驗證療效。