预测HER2阳性乳腺癌患者的预后,通过合并病态整片图像和临床特征,使用多个实例学习

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 生物信息学是一种生物信息学.

背景情况:

• 乳腺癌仍然是一个重大的公共卫生问题,HER2阳性亚型占侵入性病例的15-20%.
• 对于HER2阳性乳腺癌患者,仅存在有限的随访数据和诊断研究.
• 准确的预后预测对于在HER2阳性乳腺癌中指导治疗决策至关重要.

研究的目的:

• 开发和验证一种新的多重实例学习 (MIL) 融合模型,用于预测HER2阳性乳腺癌患者的预后风险.
• 整合血氧氨 (HE) 病理图像与临床特征,以提高预后准确度.
• 为了比较多式融合模型与单式融合模型的性能.

主要方法:

• 将HE病理图像细分成补丁,并使用K-means进行集群.
• 通过图表注意力网络 (GAT) 和多头注意力网络将图像补丁集成为袋子特征级别表示.
• 聚合图像特征与临床数据的融合,用于使用多个实例学习框架预测预后.

主要成果:

• 拟议的基于OS的MIL聚变模型实现了0.668的三倍平均C指数,WCH测试集的C指数为0.765,TCGA独立测试集的C指数为0.726.
• 融合模型显著区分高风险和低风险组 (P = 0.034),通过卡普兰-梅尔曲线分析单独优于临床特征 (P = 0.19).
• 与单模模型相比,MIL模型在预测HER2阳性乳腺癌预后方面表现出卓越的准确性.

结论:

• 开发的多式联接MIL融合模型通过整合病理图像和临床特征,准确预测HER2阳性乳腺癌的预后风险.
• 这种方法为分析大量未标记的病理图像提供了强大的工具,提高了预后能力.
• 这些发现突显了MIL和多式联络数据集成在改善乳腺癌个性化医疗方面的潜力.