预测从初级部状细胞癌的淋巴结转移,基于在组织病理图像中的深度学习

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 宫癌的淋巴结转移是一个关键的预后因素.
• 精确的淋巴结状况的术前评估对于治疗规划至关重要.
• 目前用于淋巴结分期的方法可能是侵入性的,可能并不总是精确的.

研究的目的:

• 开发和验证深度学习框架,用于预测宫癌中淋巴结转移的情况.
• 用内部和外部数据集评估框架的性能.
• 探索人工智能的潜力,以改善宫癌的手术前阶段.

主要方法:

• 开发了一个多实例的深层卷积神经网络,具有多尺度的注意力机制.
• 该框架是在564名宫癌患者的1524张血素和色染色全片图像 (WSI) 上进行训练的.
• 在独立的内部 (丹大学上海癌症中心) 和外部 (癌症基因组图谱) 测试集上评估了表现.

主要成果:

• 该框架在交叉验证中实现了0.87的接收器操作特征曲线 (AUC) 下的面积,用于预测淋巴结转移.
• 0.84 (内部测试组) 和0.75 (外部测试组) 的AUC显示出良好的预测性能.
• 一个经过重新训练的网络准确地预测了阳性骨盆结节患者的副大动脉淋巴结转移 (AUC为0.91和0.88).

结论:

• 对原发性瘤病理图像的深度学习分析显示了宫癌淋巴结状况的术前评估的潜力.
• 开发的框架提供了一种非侵入性的方法,以帮助做出手术和治疗决策.
• 用宫活检标本和更大的多中心数据集进行进一步验证是必要的,以确认临床效用.