一个基于深度学习的新算法,将基因病理特征与组织区域结合起来,从全幻灯片图像中预测结直肠癌存活率
Yan-Jun Li1, Hsin-Hung Chou2, Peng-Chan Lin3
1Institute of Medical Informatics, National Cheng Kung University, Tainan, 70101, Taiwan.
Journal of translational medicine
|October 17, 2023
概括
一个新的深度学习算法结合了他的病理学和组织区域特征来预测结直肠癌存活率,优于现有的方法. 这种方法提高了预后准确性,以获得更好的患者结果.
科学领域:
- 计算病理学计算病理学
- 生物信息学是一种生物信息学.
- 在瘤学瘤学.
背景情况:
- 从全幻灯片图像 (WSIs) 开发精确的癌症生存模型是具有挑战性的,因为它们的复杂性.
- 现有的从组织病理图像中提取特征的方法在预后能力上有局限性.
- 整合各种图像特征对于提高预测性能至关重要.
研究的目的:
- 开发和验证一种用于预测结直肠癌存活率的新型深度学习算法.
- 将组织病理学特征与组织区域信息相结合,以提高预后准确度.
- 根据已建立的生存分析框架来评估算法的性能.
主要方法:
- 使用了癌症基因组图谱结肠腺癌 (TCGA-COAD) 数据集.
- 采用深度卷积生存模型 (DeepConvSurv) 来从各种组织类型中提取组织病理特征.
- 细分WSIs以量化组织区域,并将这些区域特征与组织病理学数据集成在一起.
主要成果:
- 拟议的算法提取了128个组织病理学和5个组织区域特征.
- 使用RIDGE-Cox实现了0.704的一致性指数 (C指数),超过了WSISA框架.
- 仅仅组织面积特征就会使C指数增加2.5%,而仅仅是组织病理特征.
结论:
- 结合自身病理学和组织区域特征的深度学习方法对于癌症生存预测具有临床相关性.
- 开发的算法在预测结直肠癌存活率方面表现出卓越的性能.
- 这种综合特征的方法为推进瘤学的预后工具提供了一个有希望的方向.
