尼克罗全球GCN:通过图形卷积神经网络将微神经病变信息集成到HCC预后预测中

科学领域:

• 在瘤学瘤学.
• 数字病理学数字病理学
• 机器学习 机器学习

背景情况:

• 肝细胞癌 (HCC) 是癌症死亡的主要原因.
• 准确的预后预测对于改善手术后患者的生存率至关重要.
• 目前用于评估HCC预后中的微结核病的方法是复杂的,需要专门的专业知识.

研究的目的:

• 开发一种可访问的模型,将病理性微瘤信息整合到HCC预后预测中.
• 提高HCC患者预后分层的准确性和可解释性.
• 帮助临床医生利用微结核病数据来更好地评估患者的存活率.

主要方法:

• 开发了一个图形卷积神经网络 (GCN) 模型,以整合微结核病特征.
• 该模型在来自752名初级HCC患者的3622个幻灯片上进行了训练 (FAH-ZJUMS数据集).
• 内部验证使用了FAH-ZJUMS数据集,外部验证使用了TCGA-LIHC数据集.

主要成果:

• 与基线方法相比,拟议的GCN模型显示出更高的性能.
• 在内部验证方面取得了8.18%的改进,在外部验证方面取得了9.02%的改进.
• 该研究强调了深度学习模式,用于整合病理标记,提高准确性和可解释性.

结论:

• 开发了一种新的GCN预后模型,整合了HCC微结核病的信息.
• 这个模型可以帮助临床医生分析患者的生存率和可视化预后指标.
• 研究范式促进了基于GCN的其他预测模型的开发,这些预测模型具有增强的预测能力.