从结直肠癌组织学中基于变压器的生物标志物预测:一项大型多中心研究
Sophia J Wagner1, Daniel Reisenbüchler2, Nicholas P West3
1Helmholtz Munich - German Research Center for Environment and Health, Munich, Germany; School of Computation, Information and Technology, Technical University of Munich, Munich, Germany; Else Kroener Fresenius Center for Digital Health (EFFZ), Technical University Dresden, Dresden, Germany.
一个新的基于变压器的深度学习模型从病理幻灯片准确地预测结直肠癌 (CRC) 中的微卫星不稳定性 (MSI). 这种方法提高了性能和通用性,使得从活检组织进行临床级生物标志物预测.
科学领域:
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
- 大肠直肠癌的研究研究.
背景情况:
- 深度学习 (DL) 从结直肠癌 (CRC) 病理幻灯片加速预后生物标志物预测.
- 目前的DL方法使用卷积神经网络 (CNN),并且在有限的患者队列上得到验证.
研究的目的:
- 从病理幻灯片开发一种基于变压器的新型管道,用于从病理幻灯片进行端到端的生物标志物预测.
- 与现有算法相比,提高性能,通用性,数据效率和可解释性.
主要方法:
- 将预先训练的变压器编码器与用于补丁聚合的变压器网络相结合.
- 在一个大型的多中心队列中训练并评估了该模型,其中包括来自16个队列的13000多名CRC患者.
主要成果:
- 从手术切除样本中预测微卫星不稳定性 (MSI) 获得高灵敏度 (0.99) 和负预测值 (>0.99).
- 证明,仅在切除标本上的训练可以在内镜活检组织上产生临床级别的性能.
结论:
- 基于变压器的方法为CRC中的生物标志物预测提供了卓越的性能和通用性.
- 该方法解决了一个关键的诊断挑战,通过从活检样本中准确预测MSI,提高临床效用.
更多相关视频
08:12Detection of a Circulating MicroRNA Custom Panel in Patients with Metastatic Colorectal Cancer
Published on: March 14, 2019
07:47Author Spotlight: Unveiling Transmembrane Protein Family-Related Markers in Gastric Cancer and Implications for Targeted Therapies
Published on: September 15, 2023