在淋巴结状况上训练的深度学习预测了胃癌组织病理学的结果:一项回顾性的多中心研究
Hannah S Muti1, Christoph Röcken2, Hans-Michael Behrens2
1Else Kroener Fresenius Center for Digital Health, Technical University Dresden, Dresden, Germany; Department of Visceral, Thoracic and Vascular Surgery, University Hospital Carl Gustav Carus Dresden, Dresden, Germany.
European journal of cancer (Oxford, England : 1990)
|October 20, 2023
概括
深度学习模型可以从原始组织中预测胃癌 (GC) 中的淋巴结转移. 这一aiN得分,结合现有的分期,改善了个性化管理的患者生存分层.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 胃癌 (GC) 呈现出不同的结果,淋巴结转移是关键的不良预后因素.
- 准确预测淋巴结状况和患者预后对于有效的GC管理至关重要.
研究的目的:
- 调查深度学习 (DL) 是否可以直接从GC初级组织中提取淋巴结状况和患者预后的预测信息.
- 开发和验证一个DL系统来预测从H&E染色GC组织段的淋巴结转移 (aiN得分).
主要方法:
- 在3个患者队列 (1146名患者) 上训练并验证了DL系统,使用H&E染色的GC组织切片.
- 评估了基于DL的aiN得分和组织病理性淋巴结状况 (pN) 之间的一致性.
- 评估aiN得分的预后值,无论是独立的还是与PN状态结合的.
主要成果:
- aiN评分在预测PN状态方面表现出适度的准确性 (AUC 0.65-0.71).
- 该aiN得分独立预测了跨队列的患者存活率 (HRs 1.3-2.2).
- 将aiN得分与pN状态结合起来,通过存活率显著分层的患者 (p < 0.05).
结论:
- GC初级组织包含可通过DL (aiN分数) 提取的预后相关信息.
- aiN评分提供了超越传统PN分期的额外预后价值.
- 将aiN得分与pN状态整合起来可以增强针对GC患者的个性化管理策略,等待验证.
更多相关视频
10:31Intraoperative Gastroscopy for Tumor Localization in Laparoscopic Surgery for Gastric Adenocarcinoma
Published on: August 9, 2016
12.8K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K