采集可解释的预后特征从病理图像的肝脏内胆管癌使用多模式深度学习采矿
Guang-Yu Ding1, Wei-Min Tan2, You-Pei Lin1
1Department of Liver Surgery and Transplantation, Liver Cancer Institute, Zhongshan Hospital, and Key Laboratory of Carcinogenesis and Cancer Invasion of Ministry of Education, Fudan University, No.180, Feng Lin Road, Shanghai, 200032, China.
BMC medicine
|July 7, 2024
概括
这项研究开发了一种可解释的深度学习模型,用于肝脏内胆管癌 (iCCA) 的预后. 该模型确定了与患者结果相关的关键形态特征和分子变化,提高了临床适用性.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 病理图像分析中的深度学习为癌症预后提供了洞察力.
- 解释性仍然是这些AI模型临床应用的重大障碍.
研究的目的:
- 建立一个整合性预后神经网络,用于肝内胆管癌 (iCCA).
- 从整个幻灯片图像中全面评估建筑和细粒度信息.
- 使用多模式数据提取和可视化与临床结果和分子变化相关的形态特征.
主要方法:
- 在373名iCCA患者身上开发和优化了一个整合性预后神经网络.
- 对内部 (n=213) 和外部 (n=168) 队列的验证模型.
- 使用封闭灵敏度图和CellProfiler进行特征提取和可视化.
- 综合多omics数据 (n=187) 识别分子相关物.
主要成果:
- 这些模型在各个队伍中表现出一致的准确性和稳定性.
- 鉴定到的关键建筑预测因素包括三级淋巴体结构,侵入性边缘特征,体/肌层组成,亡,扩散焦点和微血管.
- 高风险患者的细胞核显示出更大的尺寸,扭曲的形状和不那么突出的核特征.
- 多omics数据将形态印记与糖解,缺氧,顶峰结,mTORC1信号和免疫透联系起来.
结论:
- 提出了一个可解释的深度学习框架,以了解iCCA的生物行为.
- 确定了人类专家可以理解的显著形态预测因素.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
07:32Author Spotlight: Investigating Immune Cell Dynamics in the Tumor Microenvironment — Challenges and Innovations in Cancer Prognosis
Published on: April 12, 2024
1.3K