在未知原始起源的癌症中预测瘤起源,使用基于细胞学的深度学习
1Department of Abdominal Cancer, Tianjin's Clinical Research Center for Cancer, Tianjin Key Laboratory of Digestive Cancer, National Clinical Research Center for Cancer, Tianjin Medical University Cancer Institute and Hospital, Tianjin Medical University, Tianjin, China.
一种新的深度学习方法,TORCH,准确地识别出液中的癌症来源. 这种工具有助于诊断,并改善患者的生存率,当治疗与预测的起源保持一致时.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 未知原发性癌症 (CUP) 提出了重大诊断挑战,通常表现为血清性输液.
- 准确的瘤起源鉴定对于有效的患者治疗和管理至关重要.
研究的目的:
- 开发和验证一种深度学习方法,用于识别恶性瘤,并从液的细胞学图像预测瘤起源.
- 评估开发的方法对人类病理学家的性能及其对患者结果的影响.
主要方法:
- 一个深度学习模型,TORCH (使用细胞组织学进行瘤起源分化) 在57,220个细胞学病例上进行了训练.
- 该模型的诊断和原产地预测能力在三个内部和两个外部测试套件上进行了评估.
- 性能与病理学家诊断进行了比较,并根据预测起源的治疗一致性分析了患者生存数据.
主要成果:
- 在癌症诊断 (AUC 0.953-0.991) 和瘤起源定位 (AUC 0.953-0.979) 中,TORCH 实现了高精度.
- 该模型显示,用于初级瘤起源预测,top-1准确率为82.6%,top-3准确率为98.9%.
- 在预测有效性方面,TORCH的表现优于病理学家,并显著提高了初级病理学家的诊断分数.
- 按照TORCH预测治疗的患者的整体存活率 (27个月与17个月相比) 改善.
结论:
- 在TORCH深度学习方法显示显著的潜力,作为一个准确的辅助工具来诊断癌症的未知初级从血清溢出.
- 通过指导治疗决策,TORCH提高了诊断准确度,并可能改善患者的生存率.
- 建议通过随机临床试验进行进一步验证,以确定其在常规临床实践中的作用.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
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
相关概念视频
Cancers Originate from Somatic Mutations in a Single Cell
Cancers Originate from Somatic Mutations in a Single Cell
