在结直肠癌中淋巴结转移的手术前预测,使用深度学习

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:

• 淋巴结转移 (LNM) 的准确手术前诊断对于结直肠癌 (CRC) 治疗计划至关重要.
• 目前使用放射学成像或基因组测试进行LNM预测的方法通常不可靠或昂贵.
• 需要可访问和准确的方法来预测CRC患者的LNM.

研究的目的:

• 开发一种可解释的多式人工智能 (AI) 方法,用于预测结肠直肠癌 (CRC) 患者的淋巴结转移 (LNM).
• 将病理图像特征与血清瘤特异生物标志物集成,以提高LNM预测.
• 为了验证AI模型在不同医疗中心的性能.

主要方法:

• 开发了一种多模式多实例学习 (MMIL) 模型,以从病理图像中提取特征.
• 临床生物标志物数据与图像衍生特征共同集成,用于LNM预测.
• 该模型在发现队列 (1128名患者) 上进行了训练,并在外部队列 (210名患者) 上进行了验证.
• 通过热图生成,可以实现模型的解释性.

主要成果:

• 该MMIL模型表现出高的预测准确性,在发现队列 (T1-T4CRC阶段) 中实现AUC从0.809到0.926.
• 该模型在外部验证队列上显示出良好的概括性,AUC从0.691到0.855不等 (T1-T4 CRC阶段).
• 该MMIL模型的性能优于传统的手术前放射学成像诊断.

结论:

• 开发的MMIL模型显示了在CRC患者中早期LNM诊断的显著潜力.
• 整合病理图像和瘤特异性生物标志物为LNM预测提供了一种可访问和准确的方法.
• 该模型的可解释性突出显示了其识别与LNM预测相关的关键组织形态特征的能力.