基于GCN的风险预测用于肝细胞癌的缩幻灯片
Boyang Deng1, Yu Tian1, Qiancheng Ye1
1Engineering Research Center of EMR and Intelligent Expert System, Ministry of Education, College of Biomedical Engineering and Instrument Science, Zhejiang University, Hangzhou, China.
Studies in health technology and informatics
|March 1, 2024
概括
这项研究引入了一个图形卷积神经网络 (GCN) 来分析肝细胞癌 (HCC) 缩模式,改善患者生存预测. 通过在病理幻灯片中评估死骸组织分布,GCN方法提高了预后准确性.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 医学图像分析 医学图像分析
背景情况:
- 肝细胞癌 (HCC) 是全球癌症死亡的主要原因.
- 病理性亡是HCC的关键预后指标.
- 目前评估死分布的方法是有限的.
研究的目的:
- 开发一种新的计算方法,用于分析HCC病理幻灯片中的死分布.
- 利用图形卷积网络 (GCNs) 来模仿病理学家对的全球评估.
- 改进基于死模式的患者生存预测.
主要方法:
- 一个图形卷积神经网络 (GCN) 已开发,以建模死细胞和瘤组织之间的空间关系.
- 瘤和瘤组织被描绘成图中的节点,以捕获上下文信息.
- 该模型在303名HCC患者的1381个幻灯片上进行了训练,并使用TCGA-LIHC数据进行了验证.
主要成果:
- 基于GCN的方法在预测患者存活率方面表现得更好.
- 该模型与基线方法相比,C指数得到了大约4.45%的改善.
- 由GCN了解到的亡的空间分布被发现是显著的预后因素.
结论:
- 图形卷积网络可以有效地分析HCC中的空间分布.
- 基于GCN的方法为肝细胞癌的预后评估提供了有价值的工具.
- 对病理特征的计算分析有望改善癌症患者的治疗结果.
更多相关视频
12:24A Three-Dimensional Spheroid Model to Investigate the Tumor-Stromal Interaction in Hepatocellular Carcinoma
Published on: September 30, 2021
5.2K
07:32Author Spotlight: Investigating Immune Cell Dynamics in the Tumor Microenvironment — Challenges and Innovations in Cancer Prognosis
Published on: April 12, 2024
1.3K
