基于深度学习的卵巢癌对治疗反应的预测 基因病理学图像的深度学习分析
Yuexin Liu1, Barrett C Lawson2, Xuelin Huang3
1Department of Bioinformatics and Computational Biology, The University of Texas MD Anderson Cancer Center, Houston, TX 77030, USA.
Cancers
|August 26, 2023
概括
这项研究使用深度学习来分析卵巢癌组织病理学图像,准确预测化疗敏感性. 该模型显示了改善治疗决策和理解耐药机制的潜力.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 卵巢癌是妇科癌症死亡率的主要原因之一.
- 预测化疗敏感性对于卵巢癌的精准医学至关重要.
- 组织病理图像分析为预测治疗反应提供了一种新的方法.
研究的目的:
- 开发和验证一个深度学习模型,用于预测卵巢癌中基于的化疗反应,使用组织病理图像.
- 为了将模型的预测与患者生存结果相关联.
- 探索与治疗敏感性或耐药性相关的潜在组织病理特征.
主要方法:
- 利用Inception V3的深度学习算法来分析高度血清性卵巢癌的组织病理学H&E图像.
- 在癌症基因组图谱 (TCGA) 的治疗前图像上训练了卷积神经网络.
- 使用接收器操作特征 (ROC) 和混矩阵分析评估模型性能,并评估与卡普兰-梅尔分析的生存相关性.
主要成果:
- 深度学习模型实现了0.846±0.009的AUC,用于在持久测试中区分敏感和耐药的卵巢癌.
- 预测的耐药性概率与患者的生存率和无进展生存率有显著的相关性.
- 该分类器的整体预测准确率为85%,灵敏度为73%,特异性为90%.
结论:
- 对组织病理图像的深度学习分析显示,有望改善高度血清性卵巢癌治疗反应的预测.
- 这种方法可能有助于治疗决策,并提高对影响化疗反应的组织病理变量的理解.
- 该方法有可能适应其他癌症类型和成像方法.
