深度学习可以从表皮卵巢癌的组织学直接预测贝瓦西祖马布的治疗效果和微卫星不稳定性

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 发现生物标志物的发现.

背景情况:

• 表皮卵巢癌 (EOC) 的死亡率很高,往往是晚诊断的.
• 抗血管性疗法贝瓦西祖马布在EOC中表现出有效性,但缺乏用于患者选择的预测生物标志物.
• 微卫星不稳定性 (MSI) 与EOC和潜在的血管生成有关,这表明它在治疗反应中起作用.

研究的目的:

• 开发和验证深度学习方法,用于预测bevacizumab在EOC中的疗效.
• 开发和验证深度学习方法,直接从组织病理学图像预测MSI状态.
• 通过识别可能从贝瓦西祖马布或免疫治疗中受益的患者,实现个性化的精确医学.

主要方法:

• 开发了两种新的深度学习模型,用于预测治疗结果和MSI状态.
• 将拟议的模型与使用不匹配修复蛋白质免疫染组织微阵列的三种最先进的方法进行了比较.
• 使用内部数据和来自癌症基因组图谱 (TCGA) 的外部全幻灯片图像验证的模型.

主要成果:

• 提出的两种深度学习方法在预测治疗结果方面取得了卓越的表现,超过了现有方法.
• 统计分析证实了模型能够区分具有积极治疗效果和较低复发率的患者.
• 这些模型在直接从组织病理图像中预测MSI状态方面表现不错,即使使用不平衡的数据集.

结论:

• 改进的深度学习方法可以从组织病理学图像准确地预测bevacizumab的疗效和EOC中的MSI状态.
• 这些人工智能驱动的工具可以作为可访问的生物标志物,促进患者选择向治疗和免疫治疗.
• 这项研究强调了计算病理学的潜力,以推进妇科癌症的个性化医学.