基于整张幻灯片图像的紧图表来预测癌症复发的情况
Fengyun Zhang1, Jie Geng2, De-Gan Zhang3
1School of Computer Software, College of Intelligence and Computing, Tianjin University, China.
Computers in biology and medicine
|November 6, 2023
概括
预测癌症复发对于患者的生存至关重要. 一个新的自适应图集群网络 (AGCNet) 有效地使用整个幻灯片图像来预测复发,改进治疗策略.
科学领域:
- 数字病理学数字病理学
- 计算瘤学是一种计算瘤学.
- 机器学习在医疗保健中的应用
背景情况:
- 癌症复发显著影响患者的死亡率和治疗疗效.
- 准确预测复发对于改善患者生存率至关重要.
- 整体幻灯片图像 (WSIs) 提供高分辨率的组织病理学数据,包括瘤微环境信息.
研究的目的:
- 开发一个有效的计算模型来预测癌症复发.
- 利用组织病理学图像数据,特别是瘤微环境,用于复发预测.
主要方法:
- 作为紧的图表来表示组织病理学微环境特征.
- 开发和应用一个增强的轻量级图形神经网络,即自适应图形集群网络 (AGCNet).
- 在癌症基因组图谱 (TCGA) 中的三个癌症数据集上进行实验.
主要成果:
- 在预测癌症复发方面,AGCNet取得了很高的准确性:BLCA为81.81%,PAAD为69.66%,STAD为81.96%.
- 该模型证明了利用WSI微环境数据进行预测的有效性.
- 这些结果表明了AGCNet在临床环境中的潜力.
结论:
- AGCNet是一个有前途的模型,用于从组织病理图像预测癌症复发.
- 这种方法有效地利用了WSIs中捕获的瘤微环境信息.
- 这种方法具有临床应用的潜力,可以改善癌症患者的治疗结果.
更多相关视频
07:32Author Spotlight: Investigating Immune Cell Dynamics in the Tumor Microenvironment — Challenges and Innovations in Cancer Prognosis
Published on: April 12, 2024
1.3K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.3K
