石溪大学（Stony Brook University）的一个研究团队，由文艺复兴医学院（Renaissance School of Medicine，RSOM）和工程与应用科学学院（College of Engineering and Applied Sciences，CEAS）生物医学信息学系的两位科学家领导，正在开发一种新的分析乳腺癌成像的方法，该方法结合了数学建模和深度学习。与以往的方法相比，这种方法将更具可解释性和稳健性。他们的目标是改善疾病诊断，并根据生物标志物成像和建模结果制定特定的治疗计划。
为了更好地了解乳腺癌，研究人员专注于了解乳腺组织的结构及其随时间的变化。乳腺组织由上皮细胞和脂肪细胞等混合细胞类型组成。乳腺组织的组成直接影响肿瘤的发病机制。虽然乳腺密度高可能是乳腺癌的一个危险因素，但乳腺组织的复杂性和不断变化的结构往往使临床医生难以通过标准成像检测到组织的细微变化。
为了应对这些障碍，生物医学信息学系的联合首席研究员 Chao Chen 博士（副教授）和 Prateek Prasanna 博士（助理教授）将开发一套名为“TopoQuant”的乳腺组织图像信息学工具。TopoQuant 建立在先进的数学建模和机器学习的基础上。该团队分析乳腺实质的结构复杂性。他们期望与石溪大学医学临床医生合作使用 TopoQuant，揭示癌症发病、疾病进展和放射治疗期间组织结构的复杂变化。
研究人员正在应用拓扑数据分析和深度学习方法，以更好地诊断和治疗乳腺癌。
这项工作得到了美国国家癌症研究所（National Cancer Institute，NCI）一项新的为期四年、120 万美元的资助，该资助将持续到 2028 年 8 月。Chen 和 Prasanna 都隶属于石溪大学癌症中心的成像、生物标志物与发现及工程科学研究部门。
Chen 说：“这项研究将为乳腺组织结构的变化如何影响癌症筛查和治疗结果提供新的见解。拓扑学是研究结构的数学领域。通过将拓扑学与深度学习无缝结合，我们可以开发新的算法，以传统技术（如纹理放射组学）以前难以实现的方式捕捉结构变化，有可能带来更好的预测模型和治疗策略。”
目前癌症成像研究人员使用的其他机器学习驱动工具，但石溪大学的研究人员表示，现有的工具没有能力解释或说明研究结果。然而，通过 TopoQuant，临床医生将获得乳腺组织结构变化以及其与癌症风险和治疗反应关系的定量证据。
在 2021 年发表的初步研究结果中，该团队展示了使用其中一种信息学工具预测患者对乳腺癌新辅助化疗反应的效果。此外，该研究的定性和定量结果表明，对治疗反应良好的患者和反应不佳的患者所表征的乳腺组织具有不同的拓扑行为。
Prasanna 解释说：“我们的预测模型的独特之处在于，它们不依赖于传统的事后解释，而是在设计上确保可解释性。这项研究不仅旨在造福乳腺癌的诊断和治疗，还将在神经科学等领域有更广泛的应用。因此，我们对这个项目将促进的跨学科合作以及它将为医学成像研究开辟的新途径感到兴奋。”
来自 RSOM 的其他合作者包括放射肿瘤学系的临床医生 Alexander Stessin、放射科的乳腺癌筛查专家 Wei Zhao 以及 CEAS 计算机科学系的 Haibin Ling。
