深度学习模型用于从整个幻灯片图像中预测肺腺癌复发

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:

• 肺癌,特别是肺腺癌 (LUAD),是癌症死亡的主要原因.
• 手术切除为LUAD提供治疗潜力,但复发仍然是一个重大的临床挑战.
• 目前用于预测复发的方法,如微观瘤分级,耗时且容易变化.

研究的目的:

• 开发和验证一种深度学习模型,用于预测在切割后的LUAD患者的5年复发风险.
• 引入一个高效的双重注意力架构,以提高计算性能.
• 提高LUAD中复发风险分层的准确性和效率.

主要方法:

• 开发了一个使用双重注意力架构的深度学习模型.
• 该模型在来自LUAD患者样本的整个幻灯片图像 (WSI) 上进行了训练和测试.
• 绩效是根据风险分层的准确性和危险比率来评估的.

主要成果:

• 提出的深度学习模型在预测LUAD复发方面取得了很好的表现.
• 该模型显示显著危险比为2.29 (95% CI:1.69-3.09,p < 0.005).
• 与现有方法相比,双重注意力架构提高了计算效率.

结论:

• 深度学习模型可以有效地从WSIs中学习组织学模式,以预测LUAD复发.
• 开发的模型为复发风险分层提供了更准确,更有效的方法.
• 这项技术有可能改善LUAD患者的治疗决策.