端到端深度学习方法用于预测非典型子宫内膜增生或子宫内膜癌妇女的激素治疗反应
Seyed Kahaki1, Ian S Hagemann2,3, Kenny H Cha1
1U.S. Food and Drug Administration (FDA), Center for Devices and Radiological Health, Division of Imaging, Diagnostics, and Software Reliability, Office of Science and Engineering Laboratories, Silver Spring, Maryland, United States.
Journal of medical imaging (Bellingham, Wash.)
|February 19, 2024
概括
应用在整个幻灯片图像上的深度学习模型可以预测患者对胰腺癌前体激素治疗的反应. 这种方法有助于个性化治疗非典型子宫内膜异位增生和子宫内膜癌.
科学领域:
- 妇科瘤学 妇科瘤学
- 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:
- 子宫内膜癌 (EC) 是一种流行的妇科恶性瘤.
- 非典型子宫内膜增生 (AEH) 是EC的高风险前体.
- 激素治疗是AEH和早期EC的关键治疗方法,特别是用于生育能力的保护.
研究的目的:
- 调查使用整个幻灯片图像 (WSI) 进行深度学习的可行性,以预测患者对AEH/EC激素治疗的反应.
- 为AEH/EC患者提供个性化治疗建议.
主要方法:
- 来自AEH/EC患者的112个临床WSI的数据集由病理学家策划和注释.
- 使用图像补丁开发了一个端到端混合监督机器学习模型.
- 无监督深度学习 (Autoencoder,ResNet50) 或放射学被用于图像嵌入,然后是对治疗反应的二进制预测.
主要成果:
- 自动编码模型在独立测试组中预测响应者与非响应者时,实现了0.80的接收器操作特征曲线下面面积 (AUROC) (95% CI [0.63,0.95]).
结论:
- 使用WSIs的混合监督机器学习模型显示出预测AEH/EC患者激素治疗反应的前景.
- 这种计算方法有可能个性化治疗策略.
