Точная классификация HER2-статуса критична для диагностики и лечения рака молочной железы, однако биопсия — текущий золотой стандарт — инвазивна и времязатратна. Авторы разработали гибридную CNN-Transformer модель глубокого обучения для дифференциации HER2-негативного и HER2-позитивного статуса исключительно на основе диффузионно-взвешенной МРТ (DWI).

Ретроспективно включены 239 пациенток с подтверждённым раком молочной железы из двух медицинских центров (средний возраст 49.4±10.0 лет). Модель использовала ADC-карты и DWI-изображения с b=0 и b=800 s/mm² в качестве входных данных. Данные разделены на обучающую выборку (n=156), внутренний тестовый набор (n=39) и внешний тестовый набор (n=44).

На внутреннем тестовом наборе предложенная модель численно превзошла лучшую бенчмарк-модель: AUC 0.93 vs 0.89, точность 0.90 vs 0.85. На внешней валидации модель также показала численное преимущество над лучшим бенчмарком (AUC 0.91 vs 0.87, точность 0.84 vs 0.82) и значимо превзошла двух клинических экспертов (AUC 0.91 vs 0.65 vs 0.63; точность 0.84 vs 0.61 vs 0.57).

Работа демонстрирует потенциал сочетания DWI и глубокого обучения для неинвазивной классификации HER2-статуса при раке молочной железы и возможность применения в качестве вспомогательного инструмента поддержки принятия решений.