基于人工智能的病理学预测未知的原发性癌症的起源
Ming Y Lu1,2,3, Tiffany Y Chen1,2, Drew F K Williamson1,2
1Department of Pathology, Brigham and Women's Hospital, Harvard Medical School, Boston, MA, USA.
Nature
|May 6, 2021
概括
一个新的深度学习算法TOAD可以使用组织学幻灯片识别癌症瘤的起源. 这种工具有助于诊断未知的原发性癌症 (CUP) 和转移性瘤,可能减少诊断的复杂性.
科学领域:
- 癌症学
- 计算病理学
- 医学的人工智能
背景情况:
- 未知原发性癌症 (CUP) 存在诊断上的挑战,因为治疗方法往往是特定于某个部位的.
- 目前用于确定瘤起源的方法,如基因组学,并不是普遍可用的或临床实施的,特别是在资源不足的环境中.
- 组织学幻灯片是常规获得的,但在CUP中未被充分利用.
研究的目的:
- 开发和验证一种深度学习算法,用于从组织学幻灯片中预测主要瘤的起源.
- 提供转移性瘤和未知原发性癌症的差异诊断.
- 为CUP提供替代或补充传统诊断工作的工具.
主要方法:
- 通过深度学习 (TOAD) 开发一种名为瘤起源评估的深度学习模型.
- 在已知原始来源的瘤全片图像上训练模型.
- 在持有和外部测试集以及精心策划的CUP案例数据集上验证模型.
主要成果:
- 在内部测试组中,TOAD模型达到0.83的top-1精度和0.96的top-3精度.
- 在外部测试组中,该模型的top-1精度为0.80,top-3精度为0.93.
- 在317个CUP病例中,TOAD显示了61%的一致性和82%的前三位不同诊断.
结论:
- TOAD是一种有效的深度学习工具,
- 该算法可以帮助诊断转移性瘤和未知的原发性癌症 (CUP).
- TOAD有潜力简化诊断过程,减少对广泛工作的依赖,并减少CUP的发生.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
306
10:27Testing Targeted Therapies in Cancer using Structural DNA Alteration Analysis and Patient-Derived Xenografts
Published on: July 25, 2020
7.5K
