基于深度学习预测的生存曲线的组织学幻灯片上的结肠直肠癌风险分层

科学领域:

• 在瘤学瘤学.
• 数字病理学数字病理学
• 机器学习 机器学习

背景情况:

• 对瘤组织学的深度学习分析可以预测结直肠癌 (CRC) 的预后.
• 目前的方法主要使用二进制预测来进行风险分层.
• 生存曲线可能提供更详细的预后信息.

研究的目的:

• 开发和评估基于生存曲线的CRC生存预测指标.
• 将这些预测指标与标准的二进制生存预测指标进行基准测试.
• 评估不同临床队列和风险组的模型性能.

主要方法:

• 建立了基于生存曲线和二进制生存预测器的生存曲线,使用对组织组织部分的深度学习.
• 对内部和外部临床队列 (高风险和低风险) 的模型性能进行比较.
• 评估了不同输入组织和特征提取器的影响,并使用了模型组合.

主要成果:

• 基于生存曲线的预测实现了与二进制预测相比的风险分层.
• 组合的模型 (基于生存曲线和二进制) 显示出更强大的性能.
• 在临床风险组内进一步分层患者是可能的.
• 图像分析管道在队列中显示出有限的概括性,与使用临床数据的模型不同.

结论:

• 基于生存曲线的深度学习模型提供了类似的预后分层,用于CRC的二进制模型.
• 模型性能和概括性在各个队伍中各不相同,突出显示了图像分析管道中的挑战.
• 基于临床数据的模型表现出强大的性能和概括性.
• 合并方法提高了CRC预后的模型稳定性.