相关实验视频
Updated: Jun 18, 2026
09:11
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
21.6K
基于TP53突变的全幻灯片成像预测识别了前列腺癌中具有侵略性的疾病表型
Marija Pizurica1,2,3, Maarten Larmuseau1,2, Kim Van der Eecken4
1Internet Technology and Data Science Lab (IDLab/IMEC), Ghent University, Gent, Belgium.
Cancer research
|June 23, 2023
概括
深度学习模型可以从整个幻灯片图像中预测前列腺癌中的TP53突变. 这些模型充当预后生物标志物,识别侵袭性疾病表型并改善早期检测.
科学领域:
- 计算病理学计算病理学
- 在瘤学瘤学.
- 发现生物标志物的发现.
背景情况:
- 前列腺癌需要早期预后生物标志物来检测转移潜力.
- TP53突变是候选生物标记物,但瘤异质性使分子分析复杂化.
- 整个幻灯片图像 (WSIs) 提供了空间概况和减轻异质性的潜力.
研究的目的:
- 评估WSIs作为空间解决的配置文件的代理.
- 评估WSIs作为侵略性前列腺癌的生物标志物.
- 开发一种深度学习模型,用于从WSIs中预测TP53突变.
主要方法:
- 开发了TiDo,这是一种用于预测前列腺癌WSIs中TP53突变的深度学习模型.
- 在患者和病变水平的独立多焦点队列上验证了模型.
- 分析模型预测,以了解假阳性和相关的表型.
主要成果:
- 在预测来自WSIs的TP53突变方面,TiDo取得了最先进的性能.
- 该模型在不同患者群体和病变中成功地泛化.
- 错误的阳性预测与TP53缺失和与 stromal 组成相关的下游表型有关.
结论:
- 在前列腺癌中,WSIs可以作为分子分析和预后生物标志物的代理.
- 在WSIs上的深度学习模型可以识别攻击性疾病表型,即使没有完美的空间突变预测.
- 这些模型有可能通过捕捉与侵袭性疾病生物标志物相关的下游表型来阐明瘤预后.
更多相关视频
06:08A Cognitive Fusion-guided Prostate Biopsy Using Multiparametric Magnetic Resonance Imaging and Transrectal Ultrasound
Published on: March 21, 2025
290
08:08Detection and Isolation of Cancer in Prostate Biopsies Using Stimulated Raman Histology and Artificial Intelligence
Published on: June 10, 2025
106
