深度学习用于预测结直肠癌的结果:发现和验证研究
Ole-Johan Skrede1, Sepp De Raedt1, Andreas Kleppe1
1Institute for Cancer Genetics and Informatics, Oslo University Hospital, Oslo, Norway; Department of Informatics, University of Oslo, Oslo, Norway.
Lancet (London, England)
|February 3, 2020
概括
一个新的深度学习生物标志物准确预测结直肠癌患者的结果. 该工具分析标准组织幻灯片以分层患者,帮助个性化辅助治疗决策以改善存活率.
科学领域:
- 癌症学
- 数字病理学
- 人工智能
背景情况:
- 改善的预后标志物对于早期结直肠癌 (CRC) 患者分层至关重要.
- 目前的方法需要改进以选择最佳的辅助疗法.
- 深度学习提供了一种分析病理学数据的新方法.
研究的目的:
- 在结直肠癌切除后开发患者预后生物标志物.
- 在传统的血素和素 (H&E) 染色组织部分上利用深度学习.
- 改进患者选择辅助治疗策略.
主要方法:
- 训练了10个卷积神经网络,
- 开发了一种综合预后生物标志物,使用非明显结果的患者.
- 在独立队列 (920名和1122名患者) 中验证了生物标志物,并提供了详细的结果数据.
主要成果:
- 在验证队列中,生物标志物显示出不良与良好预后的显著危险比率 (HR 3. 84, p< 0. 0001).
- 在调整已确定的预后标志物 (pN阶段,pT阶段,入侵) 后,表现仍然显著.
- 这种生物标志物表现优于现有的分子和形态预后标志物.
结论:
- 使用H&E染色瘤部分的深度学习开发出一种临床有用的预后标志物.
- 该生物标志物有效地将II期和III期结直肠癌患者分为不同的预后组.
- 这种工具可以指导辅助治疗选择,从而避免不必要的治疗,并识别受益于密集治疗方案的患者.
