Авторы разработали PRISM — интерпретируемый многомасштабный фреймворк графового обучения для оценки объективного ответа на лечение немелкоклеточного рака лёгкого (НМРЛ) по предлечебным срезам H&E. PRISM интегрирует многоуровневые представления ткани с клеточным гиперграфом опухолевого микроокружения (TME), рассматривая многопорядковую микроокружающую организацию как обучаемый компонент предсказания ответа на терапию.
Скринировано 7082 пациента из четырёх китайских центров. PRISM оценивался в когортах, получавших таргетную терапию (T), анти-EGFR терапию (T_EGFR), терапию на основе ингибиторов контрольных точек (ICI), химиоиммунотерапию (CI) и химиотерапию (C), с использованием внутренней кросс-валидации на уровне пациентов, независимой мультицентровой внешней валидации и проспективной «слепой» валидации.
PRISM предсказывал ранний объективный ответ на различные системные терапии при НМРЛ. При сравнении с 18 установленными базовыми моделями multiple-instance learning и computational pathology PRISM остался конкурентным, продемонстрировав численные преимущества в отдельных задачах.
Многомасштабная атрибуция и анализ TME, полученный из H&E, обеспечили пространственный контекст для предсказаний модели. PRISM представляет собой морфологически-ориентированный фреймворк для оценки раннего ответа на предзаданные системные терапии и требует дальнейшей проспективной мультицентровой оценки.

