肝内胆管癌多中心队列多模态深度学习可解释性研究，改善术后风险分层

科学分野:

• 肿瘤学
• 人工智能
• 医学影像

背景:

• 手术切除是肝内胆管癌（ICC）的主要根治性治疗方法。
• ICC术后高复发率是重大的临床挑战。
• 准确预测复发对于有效的患者管理至关重要。

研究 の 目的:

• 开发一种可解释的深度学习流程，用于预测肝内胆管癌的术后复发。
• 整合临床、放射组学和组织病理学信息等多模态数据。
• 利用空间多组学对模型预测进行生物学验证。

主な方法:

• 开发基于Transformer的深度学习流程。
• 整合临床变量、放射组学特征和全切片病理图像。
• 融合预训练编码器和Transformer网络。
• 利用空间转录组学和蛋白质组学进行生物学验证。

主要な成果:

• 模型在三个独立的验证队列中显示出预测2年总生存率的稳健性能。
• 实现了高曲线下面积（AUC）值，表明预测准确性强。
• 空间多组学分析显示模型注意力集中在与肿瘤侵袭和侵袭性行为相关的区域。

結論:

• 开发了一种新颖、可解释的肝内胆管癌多模态深度学习框架。
• 该框架实现了对ICC患者优越的术后风险分层。
• 模型的生物学验证为驱动其预测的机制提供了见解。