一个自我监督的视觉变压器,用于预测细胞癌瘤中从组织病理的生存率
Frederik Wessels1,2, Max Schmitt1, Eva Krieghoff-Henning1
1Digital Biomarkers for Oncology Group, National Centre for Tumour Diseases (NCT), German Cancer Research Centre (DKFZ), Im Neuenheimer Feld 280, 69120, Heidelberg, Germany.
World journal of urology
|June 29, 2023
概括
一个新的深度学习模型,DINO-ViT,有效地预测清细胞细胞癌 (ccRCC) 患者的生存结果,使用组织学图像. 这种可解释的AI工具有助于识别针对癌症治疗的高风险个体.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 清细胞细胞癌 (ccRCC) 是癌症相关死亡的一个重要原因.
- 准确的预后对于ccRCC中有效的个性化治疗策略至关重要.
- 当前的预后模型可能无法充分利用基因病理图像中包含的信息.
研究的目的:
- 开发和验证可解释的深度学习模型,用于预测ccRCC的总生存率 (OS) 和疾病特异性生存率 (DSS).
- 使用视觉转换器 (ViT) 与自主监督学习 (DINO) 来从组织学幻灯片中提取特征.
- 在培训和独立验证队伍中评估模型的性能.
主要方法:
- 从"癌症基因组图谱" (TCGA) 获取的数字化血素和欧染色ccRCC幻灯片用于培训.
- 一个视觉变压器 (ViT) 与DINO自主监督模型提取的图像特征.
- 提取的特征被整合到考克斯回归模型中,用于生存预测.
- 卡普兰-梅尔和多变量考克斯回归分析评估了DINO-ViT风险组的OS和DSS预测.
- 验证是在来自第三级护理中心的独立队列上进行的.
主要成果:
- 在训练 (p < 0.01) 和验证 (p < 0.01) 组中,DINO-ViT模型实现了OS和DSS的显著风险分层.
- 在多变量分析中,DINO-ViT风险分层是训练集中OS和DSS的重要预测因素 (p <0.01).
- 该模型还预测了验证集中的DSS (HR 2.31,p = 0.02).
- 视觉化表明,DINO-ViT从细胞核,细胞质和细胞层中提取了特征,表明了良好的解释性.
结论:
- 基于组织图像分析,DINO-ViT模型成功地识别了高风险ccRCC患者.
- 这种可解释的AI方法有可能改善癌的风险适应,个性化治疗.
- 进一步将DINO-ViT纳入临床实践可以提高患者管理和结果.
