综合深度学习分析改善了结肠腺癌患者分层的死亡风险

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:

• 结肠直肠癌是全球癌症死亡的主要原因.
• 准确的患者风险分层仍然是一个临床挑战.
• 整合不同的数据类型可以提高预后准确性.

研究的目的:

• 开发和评估深度学习模型来分层分层结直肠癌患者的风险.
• 结合整个幻灯片图像,临床变量和突变特征,以提高预测.
• 在独立的数据集上验证模型.

主要方法:

• 开发了集成型深度学习模型,使用甲固定,嵌整个幻灯片图像 (WSIs),临床数据和突变签名.
• 在癌症基因组图谱 (TCGA) 结肠腺癌 (COAD) 队列 (N=108) 上训练有素的模型.
• 在韦恩州立大学 (WSU) COAD (N=123) 和TCGA直肠腺癌 (READ) (N=52) 数据集上的外部验证模型.

主要成果:

• 基于图像的模型有效地将高风险患者与低风险TCGA-COAD患者分开 (AUC=0.81).
• 综合模型显著改善了中度风险患者的分层 (p<0.0001).
• 模型在独立的WSU-COAD和TCGA-READ数据集上表现出强的表现,证实了可概括性.

结论:

• 图像,临床和基因组数据的计算集成增强了结直肠癌患者的分层.
• 改进的风险分层可以指导个性化治疗策略和临床试验招生.
• 这种方法为结直肠癌的精密瘤学提供了一个强大的工具.