用多式深度学习预测子宫内膜癌复发风险
Sarah Volinsky-Fremond1, Nanda Horeweg2, Sonali Andani3,4,5
1Department of Pathology, Leiden University Medical Center, Leiden, The Netherlands.
Nature medicine
|May 24, 2024
概括
一个新的深度学习模型,HECTOR,使用病理图像和瘤阶段准确预测子宫内膜癌复发. 这种具有成本效益的工具改进了目前用于个性化辅助治疗决策的方法.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 人工智能的人工智能
背景情况:
- 预测子宫内膜癌 (EC) 的远期复发对于定制辅助治疗至关重要.
- 目前的结合病理学和分子分析的预后方法昂贵,限制了广泛使用.
研究的目的:
- 开发和验证HECTOR,一种多式深度学习模型,用于预测子宫内膜癌远程复发.
- 评估HECTOR与当前黄金标准的性能及其预测化疗效益的能力.
主要方法:
- HECTOR使用血素和色染色的整片图像和瘤阶段作为输入.
- 该模型在8个队列中,包括随机试验在内的2,072名子宫内膜癌患者的大队列上进行了训练和验证.
- 使用C指数和Kaplan-Meier分析来评估远程无复发生存的表现.
主要成果:
- 在内部 (0.789) 和外部 (0.828,0.815) 验证集中,HECTOR实现了高C指数,超过了当前的黄金标准.
- 该模型确定了不同的风险组,其10年后无复发概率 (97.0%,77.7%,58.1%) 显著不同.
- 通过特征提取,HECTOR证明了辅助化疗效益的优异预测,并通过特征提取确定了潜在的治疗点.
结论:
- HECTOR是一个强大的深度学习工具,用于预测子宫内膜癌的远程复发.
- 该模型为当前方法提供了具有成本效益的替代方案,有可能实现个性化的辅助治疗策略.
- HECTOR识别风险群体和预测治疗反应的能力可能会改善患者在子宫内膜癌护理方面的结果.
