相关实验视频
Updated: Jun 29, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.9K
基于机器学习的病理学签名组织学幻灯片作为初级中枢神经系统淋巴瘤的新奇预后指标
Ling Duan1, Yongqi He1, Wenhui Guo1
1Department of Neuro-Oncology, Cancer Center, Beijing Tiantan Hospital, Capital Medical University, No.119 West Nansihuan Road, Beijing, 100070, China.
Journal of neuro-oncology
|April 1, 2024
概括
一个新的病理学特征准确地预测了初级中枢神经系统淋巴瘤 (PCNSL) 的结果. 这种非侵入性方法为评估PCNSL患者的整体存活率和无进展存活率提供了强大的工具.
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.
- 发现生物标志物的发现.
背景情况:
- 初级中枢神经系统淋巴瘤 (PCNSL) 是一种罕见且具有攻击性的脑瘤.
- 准确预测患者的结果和治疗反应对于有效的管理至关重要.
- 现有的PCNSL预后模型存在局限性.
研究的目的:
- 开发和验证一种新的病理学特征,用于预测PCNSL的结果.
- 评估签名预测整体存活率 (OS) 和无进展存活率 (PFS) 的能力.
- 评估签名作为治疗反应预测指标的潜力.
主要方法:
- 从使用CellProfiler的114名PCNSL患者的血素和素 (H&E) 染色全片图像 (WSI) 中提取了定量特征.
- 使用考克斯回归,ROC曲线,校准,DCA和NRI开发和验证了一种病理学特征.
- 机器学习分类器被用来分析提取的特征.
主要成果:
- 通过自动化管道,共提取了802个定量特征.
- 病理学签名在训练和验证队伍中显著预测了OS和PFS.
- 与Path分数较低的患者相比,Path分数较高的患者对初始治疗的反应率明显较低.
- 开发的名图表显示了与高AUC值的现有模型相比的增量性能.
结论:
- 发达的病理学特征是PCNSL中OS和PFS的强大,非侵入性预测器.
- 这种新的方法可以作为PCNSL治疗反应的有价值的预测指标.
- 病理学为改善PCNSL患者管理提供了一个方便和有效的工具.
