基于深度学习的淋巴结转移的病理预测,用于患有细胞癌的患者从初级整体幻灯片图像

科学领域:

• 在瘤学瘤学.
• 数字病理学数字病理学
• 人工智能的人工智能

背景情况:

• 转移性细胞癌 (RCC) 的死亡率很高.
• 对微转移的准确预测对于治疗决策至关重要.
• 基于病理学的预测模型可以帮助临床管理.

研究的目的:

• 开发和验证一种深度学习策略,用于预测RCC中的淋巴转移.
• 评估模型在甲固定的和冷的病理部位上的性能.
• 评估模型在预测患者预后方面的实用性.

主要方法:

• 利用了来自三个队列 (SGH,CPTAC,TCGA) 的895个整片图像 (WSI) 和588个冷部分WSI.
• 开发了一个深度学习模型,使用集群-受限注意力多实例学习方法.
• 在多个队列和冷部分验证了该模型,并评估了其预后能力.

主要成果:

• 在TCGA,SGH和CPTAC队列中达到0.836,0.865和0.812的AUC,用于淋巴转移的预测.
• 在冷部分WSIs上表现强,AUC为0.801.
• 发现更高的预测淋巴结转移值与更差的患者预后相关.

结论:

• 深度学习策略有效地预测了来自初级RCCWSIs的淋巴转移.
• 该模型适用于冷病理断面.
• 该模型作为预后因素,识别具有较差生存结果的RCC患者.