基于人工智能的多模式多任务分析揭示了瘤分子异质性,预测了手术前淋巴结转移和乳头甲状腺癌的预后:一项回顾性研究
Yunfang Yu1,2, Wenhao Ouyang1, Yunxi Huang3
1Guangdong Provincial Key Laboratory of Malignant Tumor Epigenetics and Gene Regulation, Department of Thyroid Surgery, Department of Medical Oncology, Breast Tumor Centre, Phase I Clinical Trial Centre, Sun Yat-sen Memorial Hospital, Sun Yat-sen University, Guangzhou, China.
International journal of surgery (London, England)
|July 11, 2024
概括
这项研究表明,在乳头甲状腺癌 (PTC) 中的BRAF突变与淋巴结转移和较差的存活率有关. 一个AI深度学习模型准确地预测PTC患者的转移和存活率.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 人工智能的人工智能
背景情况:
- 乳头甲状腺癌 (PTC) 是最常见的甲状腺癌,淋巴结转移 (LNM) 是一个关键的预后因素.
- 在PTC中受基因变化和瘤微环境影响的分子异质性使风险分层和治疗决策复杂化.
研究的目的:
- 调查PTC的分子异质性及其与LNM和无病生存率 (DFS) 的关联.
- 开发和验证深度学习多模式模型,用于预测PTC患者的LNM和DFS.
主要方法:
- 来自医院队列和癌症基因组图谱 (TCGA) 的1011名PTC患者数据的分析,包括下一代测序,单细胞RNA测序和组织病理图像.
- 开发一个深度学习模型,整合基因组,转录组,免疫细胞和组织病理学数据,以预测LNM和DFS.
主要成果:
- BRAF突变与LNM显著相关,并在PTC中影响了DFS.
- 深度学习模型在预测LNM和DFS方面表现出高准确性,AUC在培训中达到0.86,在现实世界验证队列中达到0.83.
- 人工智能生成的热图可视突出显示高风险瘤区域,帮助临床医生理解预测并提高LNM的诊断准确性.
结论:
- 人工智能驱动的分析为PTC分子异质性提供了关键的见解,特别是BRAF突变的作用.
- 综合深度学习模型显示了通过预测转移和生存来提高PTC诊断准确性和治疗策略的巨大潜力.
