使用深度学习来评估瘤微环境特征,以预测结肠癌复发
Frank A Sinicrope1,2, Garth D Nelson3,4, Bahar Saberzadeh-Ardestani2
1Departments of Medicine and Oncology, Rochester, Minnesota.
Cancer research communications
|May 6, 2024
概括
深度学习量化瘤形态,以根据DNA不匹配修复 (MMR) 状态预测结肠癌患者的结果. 瘤-肌瘤比率对于熟练的MMR是关键的,而炎症性肌瘤和N阶段对缺乏的MMR很重要.
科学领域:
- 计算病理学和瘤学
- 在癌症研究中的深度学习应用.
- 瘤微环境分析分析
背景情况:
- 深度学习模型可以识别瘤形态中的预后信号.
- 结肠癌的风险分层是至关重要的,特别是在DNA不匹配修复 (MMR) 子组内.
- 了解熟练 (p) -MMR和缺乏 (d) -MMR结肠癌的预后因素对于治疗至关重要.
研究的目的:
- 用深度学习量化瘤形态特征,以提高第三阶段结肠癌的风险分层.
- 调查量化形态特征与不同MMR群体内的患者预后之间的关联.
- 在一个独立的队列中验证识别的形态特征的预后意义.
主要方法:
- 使用定量细分算法 (QuantCRC) 分析了402个切除的第三阶段结肠癌的15个不同的形态特征 (191 d-MMR,189 p-MMR).
- 形态特征与临床病理变量,MMR状态,KRAS,BRAFV600E和复发时间 (TTR) 相相关.
- 用多变量Cox比例危险模型来预测TTR,在176个d-MMR和1094个p-MMR瘤的单独队列中进行验证.
主要成果:
- 观察到p-MMR (未成熟的脱质细胞层层层) 和d-MMR (炎症层层层,TILs,高档组织学,粘素,签戒细胞) 癌症之间瘤形态的显著差异.
- 在p-MMR瘤中,瘤-肌瘤比率 (TSR) 是TTR最强的预测因素 (3年复发:40.2%对20.4%).
- 在d-MMR瘤中,炎症性肌瘤的程度和N阶段是最强大的预后指标 (3年复发:13.3%与33.4%相比).
结论:
- 量子CRC算法有效量化MMR组内的形态差异在常规结肠癌部分.
- 量化形态特征,特别是p-MMR中的TSR和d-MMR中的炎症性斯特罗玛/N阶段,对患者的预后有着显著的贡献.
- 这种深度学习方法可以阐明驱动预后的病理生理机制,并改善结肠癌风险分层.
更多相关视频
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
7.2K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
