Команда исследователей разработала и внешне валидировала номограмму на основе глубокого обучения, интегрирующую мультимодальную визуализацию (МРТ, УЗИ) и клинико-патологические данные для неинвазивной оценки полного патоморфологического ответа (pCR) после неоадъювантной терапии (NAT) у пациенток с трижды негативным раком молочной железы (ТНРМЖ). Многоцентровое ретроспективное исследование включило 436 пациенток из трёх центров и показало значимое превосходство комплексного подхода над изолированными моделями.

Ретроспективное многоцентровое исследование диагностической точности с одобрением этических комитетов включило 436 пациенток с биопсийно подтверждённым ТНРМЖ, прошедших NAT и хирургическое лечение. Когорта Центра 1 разделена на обучающую (n=268) и внутреннюю валидационную (n=86) выборки; внешняя валидация проведена на исторических данных Центров 2-3 (n=82). pCR определялся как ypT0/is ypN0.

Протокол визуализации включал предлечебные последовательности: динамическую контрастную МРТ (DCE-MRI), диффузионно-взвешенную визуализацию (DWI) с ADC-картами, Т2-взвешенную визуализацию и В-режим УЗИ. Извлекались радиомические признаки интратуморальной зоны и 5-мм перитуморального кольца с селекцией методом LASSO. Архитектура DenseNet-121 экстрагировала модально-специфичные глубокие признаки, объединённые через механизм мультиголового само-внимания (multi-head self-attention).

В номограмму логистической регрессии интегрированы клинико-патологические параметры: возраст, размер опухоли, Ki-67, опухоль-инфильтрирующие лимфоциты (TILs), cT/N-стадия и гистологическая градация. Критически важно: все параметры стандартизации признаков и гармонизации ComBat зафиксированы на обучающей когорте до применения к валидационным данным — строгая защита от утечки данных.

pCR достигнут у 182/436 (41.7%) пациенток. Номограмма продемонстрировала площадь под ROC-кривой (AUC) 0.917 (95% CI 0.881-0.947) в обучающей когорте, 0.883 (0.814-0.937) во внутренней валидации и 0.856 (0.773-0.921) во внешней валидации.

Сравнительный анализ показал превосходство над изолированными подходами во внешней когорте:

• Клиническая модель: AUC 0.721
• Радиомика: AUC 0.786
• Глубокое обучение: AUC 0.819
• Комплексная номограмма: AUC 0.856

При зафиксированном пороге внешняя валидация показала чувствительность 0.765, специфичность 0.813, точность 0.793. Калибровка приемлема: slope 0.93, intercept -0.06, Brier score 0.16. Анализ кривых принятия решений (DCA) выявил чистую пользу для порогов вероятности 0.20-0.70.

Многопороговый анализ показал, что высокоспецифичный порог (0.65) обеспечивает положительную прогностическую ценность 0.85 — потенциально идентифицируя подгруппу с очень высокой вероятностью достижения pCR. По сравнению с клинической моделью, внешняя реклассификация улучшилась: continuous NRI 0.34 (P=0.003), IDI 0.11 (P=0.008).

Это одно из немногих многоцентровых исследований ТНРМЖ, объединяющих МРТ, УЗИ, интра-/перитуморальную радиомику и глубокое обучение с механизмом внимания. Модель позиционируется как вспомогательный инструмент для предсказания pCR и предоперационной стратификации, а не как прямая поддержка хирургических решений.

Важнейшее ограничение — ретроспективный дизайн без клинического применения результатов модели. Авторы подчёркивают: необходимы проспективная валидация и исследования клинического влияния перед внедрением. Гипотетический сценарий хирургического планирования остаётся строго пост-хок анализом.

Интеграция мультимодальной визуализации и передовых методов машинного обучения открывает путь к персонализированной оценке ответа на NAT при ТНРМЖ. Высокоспецифичные пороги модели могут в перспективе помочь выделить кандидатов для деэскалации хирургического объёма, однако это требует строгой проспективной верификации с оценкой онкологических исходов.