通过数字组织病理学和深度学习进行前列腺癌风险分层

科学领域:

• 在瘤学瘤学.
• 数字病理学数字病理学
• 机器学习 机器学习

背景情况:

• 前列腺癌 (PCa) 是异质的,需要准确的风险评估来规划治疗.
• 目前的风险分层依赖于格里森等级等参数,该等级具有显著的观察者间变异性.
• 需要客观的工具来提高PCa风险分层的准确性.

研究的目的:

• 为了确定机器学习 (ML) 驱动的基因病理图像分析是否可以改善PCa的风险分层.
• 开发和评估一个深度学习模型,将临床病理学数据与组织病理学图像相结合,用于PCa风险评估.

主要方法:

• 一个深度学习模型是使用血素和以素和Ki-67染色的组织病理学图像和临床病理学数据开发的.
• 该模型在502名以前没有接受过治疗的PCa患者的数据集上进行了训练和测试,使用了五倍交叉验证.
• 使用一致性指数评估性能,将其与格里森分级和CAPRA-S模型进行比较.

主要成果:

• 基于ML的卷积神经网络模型在风险分层方面表现优异,与格里森分级和CAPRA-S.相比.
• 该模型正确地将3.9%的低风险患者重新分类为高风险患者,并将21.3%的高风险患者重新分类为低风险患者.
• 这表明患者风险类别的识别准确度有所提高.

结论:

• 基于ML的基因病理图像分析是PCa风险分层的客观工具.
• 拟议的数字病理风险分类可以帮助指导激进前列腺切除术后的辅助治疗决策,例如放射治疗.
• 建议对更大的队列进行进一步验证,以巩固其临床实用性.