Abstract—This project developed an AI model to predict how well Triple-Negative Breast Cancer will respond to chemotherapy by analyzing medical images. The study found that while a model using only standard H&E stained images works, its performance dramatically improves when combined with images of specific biomarkers (Ki-67 and PHH3). The most successful approach used an “attention map” created from these biomarkers to help the AI focus on the most critical regions of the tissue, achieving a high prediction accuracy (AUC of ~0.96). Ultimately, the work confirms that this combined strategy is highly effective and suggests that “virtual staining”—using AI to computationally create these valuable biomarker images—is a promising direction for future research to make this technology more accessible and scalable.

Resumo—Este projeto desenvolveu um modelo de IA para prever quão bem o Câncer de Mama Triplo-Negativo responderá à quimioterapia, analisando imagens médicas. O estudo descobriu que, embora um modelo usando apenas imagens padrão coradas com H&E funcione, seu desempenho melhora drasticamente quando combinado com imagens de biomarcadores específicos (Ki-67 e PHH3). A abordagem de maior sucesso usou um “mapa de atenção” criado a partir desses biomarcadores para ajudar a IA a focar nas regiões mais críticas do tecido, alcançando uma alta precisão de predição (AUC de ~0.96). Por fim, o trabalho confirma que essa estratégia combinada é altamente eficaz e sugere que a “coloração virtual” (virtual staining) — o uso de IA para criar computacionalmente essas valiosas imagens de biomarcadores — é uma direção promissora para pesquisas futuras, a fim de tornar essa tecnologia mais acessível e escalável.