深度学习预测乳腺癌哨兵淋巴结状态 在INSEMA组织图像上的深度学习

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 计算病理学计算病理学

背景情况:

• 哨戒淋巴结 (SLN) 状态对于乳腺癌预后和治疗指导至关重要.
• 最少侵入性分期正在增加,需要准确的非侵入性预测方法.
• 从医学图像中预测治疗前的SLN状态可以帮助缓解手术的升级.

研究的目的:

• 评估深度学习 (DL) 算法,从组织学图像中预测哨兵淋巴结状态.
• 用临床数据将DL图像分析的性能与后勤回归进行比较.
• 评估DL在缓解乳腺癌手术中的实用性.

主要方法:

• ResNet 50架构训练在血素/色素染色乳腺瘤图像上.
• 利用了INSEMA试验和独立队列 (TCGA,曼海姆,雷根斯堡) 的数据.
• 使用临床数据比较DL模型性能与后勤回归.

主要成果:

• 基于DL的图像分析模型在预测SLN状态时并没有显著超过随机机会.
• 使用临床数据的逻辑回归在独立测试集上显示出比随机更好的性能.
• 将DL模型输出与后勤回归集成并没有提高预测准确性.

结论:

• 对组织学幻灯片的深度学习图像分析目前不足以预测未见的乳腺癌病例中的SLN状态.
• 基于临床数据的后勤回归显示,对预测SLN状态更有希望.
• 需要进一步的研究来改进乳腺癌分期的图像分析.