基于深度学习的多模式数据集成增强乳腺癌无疾病生存预测
Zehua Wang1, Ruichong Lin2,3, Yanchun Li4
1Guangdong Key Laboratory of Cross-Application of Data Science and Technology, Beijing Normal University-Hong Kong Baptist University United International College, Zhuhai 519087, China.
Precision clinical medicine
|June 24, 2024
概括
这项研究开发了一种新的深度学习模型,集成多模式数据,以准确预测乳腺癌. 该模型在预测无病生存期 (DFS) 中显示出高准确度,有助于个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 生物信息学是一种生物信息学.
背景情况:
- 乳腺癌的预后仍然具有挑战性,需要早期转移检测和精确的治疗预测.
- 开发先进的预测模型对于改善患者治疗结果至关重要.
研究的目的:
- 开发和验证一种新的多模式深度学习模型,用于预测乳腺癌患者无疾病生存率 (DFS).
- 整合手术前病理成像,分子和临床数据,以提高预测准确度.
主要方法:
- 来自癌症基因组图谱和中国机构的多模式数据的回顾性收集.
- 基于深度学习的临床医学病理基因多模式 (DeepClinMed-PGM) 模型的开发.
- 跨培训 (n=741),内部验证 (n=184) 和外部测试 (n=95) 队列的验证.
主要成果:
- 在DeepClinMed-PGM模型显著提高了DFS预测准确性 (AUC在培训中高达0.979,在外部测试中为0.938).
- 该模型在所有队列中展示了强大的区分能力,具有显著的危险比率 (P < 0.0001).
- 高C指数值 (0.925,0.823,0.864) 证实了该模型的预测性能.
结论:
- 开发的DeepClinMed-PGM模型为准确的乳腺癌预后提供了一个有希望的方法.
- 多模式数据的整合提高了预测能力,为个性化治疗策略铺平了道路.


