正文
4：列线图
案例二：
案例二与案例一的套路相似，使用病理组学对膀胱癌人群进行研究是
“诊断型“及”预后型”研究。套路几乎如出一辙：
（
a）先是收集组织病理学切片和获取代表性图像，分割病理图像，提取定量化的图像特征，构建病理组学模型
（
b）然后通过LASSO方法识别图像特征
（
c）通过LASSO-Cox 回归模型识别生存相关的图像特征并构建预后模型，评估诊断模型的性能，KM 曲线进行生存分析，ROC曲线评估预后模型的性能，随后绘制列线图，对结合了临床特征和病理组学特征的预测模型结果进行可视化。
图
5：基于机器学习的病理组学特征在膀胱癌诊断和生存预测中的临床应用（案例二）
进阶级：
相比于入门级套路，进阶级就不再是病理组学的诊断
/预后模型的入门套路了。进阶级病理组学研究通过“复杂数据整合”+“深度算法创新”，将传统病理学的描述性分析转化为可量化、可干预的精准医学工具，推动肿瘤诊疗进入2.0时代。
举两个经典案例，依赖多模态数据整合（病理图像
+基因组/临床数据）和 深度学习特征挖掘，突破传统病理学主观性限制。从预后分层（如PSGC评分）到治疗响应预测（如化疗获益人群），最终推动新型生物标志物的临床应用。
知识点补充：荷兰癌症研究中心（
NKI）开发了一款多模态治疗响应预测（MRP）AI模型，整合放射影像、肿瘤组织特征及临床数据，提高预测准确性。MRP系统是一个多模态深度学习模型，
MRP系统通过整合跨模态知识挖掘和时间信息嵌入策略，处理缺失模态数据，并适应不同的NAT临床场景。
可以进行收集和整合来自不同时间点和不同模态的数据，利用深度神经网络（
DNN）从整合的多模态数据中提取关键特征。将模型的输出进行融合，形成一个综合的预测结果。
案例三：
通过多模态反应预测（
MRP）系统，整合了多种数据类型（包括影像学、组织病理学、临床和个人信息等），从而在乳腺癌患者的新辅助治疗（NAT）反应预测中展现了优越的性能。
实验方法总结：
1.数据收集与处理
数据集：整合内部（
3,352例）及外部（美国、中国3个中心）乳腺癌患者数据，涵盖多时间点MRI、乳腺X线、临床/病理信息。
预处理：影像标准化（分辨率统一、背景分割），临床数据编码整合（如分子亚型、肿瘤分期等）。
2.模型设计
双模型架构：
iMGrhpc：基于乳腺X线和临床数据。
iMRrhpc：基于纵向MRI和临床数据，嵌入治疗阶段时间信息。
关键技术：
跨模态学习：通过影像预测临床特征（如分子亚型），提升特征表达。
时间嵌入：编码不同治疗阶段（如术前
/术后）的时间信号。
集成模型（
MRP）：通过多模态反应预测（MRP）系统，整合了多种数据类型（包括影像学、组织病理学、临床和个人信息等）。
3.训练与验证
训练：预训练
ResNet提取影像特征，结合临床数据联合优化。
评估：通过
AUROC/AUPRC等指标测试性能，外部多中心数据验证泛化性。
4.对比实验
读者研究：
6名国际放射科医生独立评估病例，对比模型与人类预测准确性。
5.临床实用性
决策优化：
Pre/Mid-NAT阶段：高特异性筛选非pCR患者调整治疗。
Post-NAT阶段：高灵敏度识别pCR患者避免过度手术。
决策曲线分析：量化模型在减少无效治疗
/手术中的净收益。
图
