使用病理学图像深度学习预测非肌肉侵入性膀癌复发
Guang-Yue Wang1,2, Jing-Fei Zhu3, Qi-Chao Wang1
1Department of Urology, Xuzhou Cancer Hospital, Affiliated Hospital of Jiangsu University, Xuzhou, China.
Scientific reports
|August 15, 2024
概括
一个新的深度学习病理学模型准确地预测了非肌肉透性膀癌 (NMIBC) 的早期复发. 这种人工智能工具有助于个性化管理,可能可以避免对NMIBC患者进行不必要的治疗.
科学领域:
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
- 泌尿外科瘤学 泌尿外科瘤学
背景情况:
- 非肌肉透性膀癌 (NMIBC) 具有显著的早期复发风险.
- 准确预测NMIBC复发对于有效的患者管理和治疗规划至关重要.
研究的目的:
- 开发和验证基于深度学习的病理学模型,用于预测NMIBC患者的早期复发.
- 评估模型的概括能力和临床适用性.
主要方法:
- 使用双相方法开发了一种病理学模型:补丁级和整个幻灯片图像 (WSI) 级预测.
- 应用了转移学习,在147名NMIBC患者身上训练了一种初始模型,并在一个独立队列中的63名患者身上得到了验证.
- 模型解释是使用从可视化模型中提取的特征进行的.
主要成果:
- 深度学习病理学模型在测试队列中实现了接收器操作特征曲线下的面积为0.860.
- 该模型显示了培训和测试队列之间的良好一致性,预测和观察到的复发值非常匹配 (Hosmer-Lemeshow p > 0.05).
- 决策曲线分析表明该模型具有良好的临床实用性.
结论:
- 基于深度学习的病理学模型在NMIBC中预测一年内复发的表现有希望.
- 可视化的病理特征可以帮助NMIBC患者个性化管理策略.
- 该模型有可能有助于避免无效或不必要的治疗,有利于患者的护理.
