視力トランスフォーマーネットワークは,解釈可能なリスクスコアを通じて,臓がんの病理学的部分の予後値を発見します
Zhiyong Peng1, Yue Zhang1, Tianchi Zhou2
1School of Optoelectronic Engineering, Guilin University of Electronic Technology, Guilin, China.
Discover oncology
|September 2, 2025
まとめ
ディープラーニングモデルは パンクレアスのがん患者の結果を予測するために 病理学的スライドを分析します このアプローチは,より良い生存予測のための予後マーカーを特定することによって,精度の腫瘍学を強化します.
科学分野:
- デジタル病理学
- コンピュータによる腫瘍学
- 医療における人工知能
背景:
- 病理学的なセクションには貴重な診断データが含まれていますが,その予後の可能性はほとんど未使用です.
- 精密腫瘍学では 患者の個別の特徴に基づいて 癌の治療を個別化しようとしています
- 臓がんは予後が悪いので 結果を予測するための改善された方法が必要です
研究 の 目的:
- 臓がんの全スライド画像を使用して患者の結果を予測するためのディープラーニングモデルを開発し,検証する.
- 改造されたビジュアル・トランスフォーマー (ViT) モデルで抽出した組織病理学的特徴の予後値を評価する.
- 臓がん患者の分層化による解釈可能なリスクスコアを確立する.
主な方法:
- 公共のデータベースと現実の患者のH&Eで染み付いたスライド画像の分析
- ImageNet2012で微調整された空間的注意を備えた修正されたビジュアル・トランスフォーマー (ViT) モデルの開発.
- 患者全体の生存率 (OS) と無疾患生存率 (DFS) を ViTモデルを用いて予測し,患者のリスクスコアを計算する.
主要な成果:
- 改造されたViTモデルは,テストセットで0.79 (OS) と0.82 (DFS) のC指数で高い予測精度を達成しました.
- モデルによって生成されたリスクスコアは患者の生存率と有意に相関しており,高いスコアはより悪い予後を示しています.
- このモデルは,訓練とテストセットでOSとDFSの予測のための0. 813- 0. 849のAUCで強力なパフォーマンスを示しました.
結論:
- ディープラーニングモデル,特に改造されたViTネットワークは 臓がんの病理学スライドから 予後情報を効果的に抽出できます
- モデルから得られた解釈可能なリスクスコアは,予後評価と臨床リスクの階層化のための新しいアプローチを提供します.
- この研究は,人工知能を駆使したデジタル病理学を既存の臨床診断に統合して 臓がんの管理を強化する可能性を強調しています
