Исследователи из Xinxiang Central Hospital (Китай) проанализировали данные 171 пациентки с раком молочной железы, получавших неоадъювантную терапию в период с марта 2016 по январь 2026 года. Патоморфологический полный ответ (pCR) достигнут у 64 пациенток, не достигнут у 107.

Пять моделей elastic net логистической регрессии оценивались с использованием 20 повторов стратифицированной 5-fold кросс-валидации. Модель на основе клинико-лабораторных данных показала слабую дискриминацию: AUC 0.420 (95% CI 0.326–0.509).

Исследователи конвертировали 361 предоперационный патологоанатомический файл в текстовые данные. Модель на основе структурированных патоморфологических признаков достигла AUC 0.738 (95% CI 0.664–0.810), модель на основе текста заключений — AUC 0.689 (95% CI 0.606–0.767).

Комбинированная патоморфологическая модель (pathology fusion) продемонстрировала AUC 0.747 (95% CI 0.672–0.815; Brier score 0.200, 95% CI 0.175–0.226). Добавление клинико-лабораторных переменных не улучшило результат: мультимодальная AUC составила 0.733 (95% CI 0.656–0.805), разница с pathology fusion −0.014 (95% CI −0.048–0.017; P = 0.388).

Во вторичном анализе добавление стандартизированных компонентов режима химиотерапии к патоморфологической модели дало AUC 0.757 (95% CI 0.679–0.824), увеличение AUC составило 0.009 (95% CI −0.019–0.037; P = 0.487).

Тестированные языковые модели (frozen BGE, Chinese RoBERTa, ERNIE-Health) не превзошли лексическое представление текста. При аудите 20 случаев точность распознавания символов OCR составила 98.72%; в 40 случаях согласованность критических патоморфологических полей варьировала от 95.0% до 100%.

Предоперационные патологоанатомические заключения трепанобиопсии несут основной предсказательный сигнал для pCR, тогда как дополнительная ценность информации о лечении была небольшой и оценена с низкой точностью. Авторы подчеркивают необходимость независимой внешней валидации перед клиническим использованием.