概括
一个新的深度学习工具,Deep-BCR-Auto,从标准病理学幻灯片预测乳腺癌复发风险. 这种具有成本效益的方法提高了个性化治疗策略的可访问性.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 人工智能的人工智能
背景情况:
- 准确的乳腺癌复发风险分层对于个性化治疗至关重要.
- 像Oncotype DX这样的基因组工具是有效的,但面临成本和可访问性的障碍.
研究的目的:
- 开发和验证Deep-BCR-Auto,一种深度学习模型,使用H&E染色全片图像预测乳腺癌复发风险.
- 评估模型的性能和对独立患者队列的概括性.
主要方法:
- 使用深度学习方法 (Deep-BCR-Auto) 在H&E染色完整的幻灯片图像 (WSI) 上预测复发风险.
- 在两个独立的数据集上验证了模型:TCGA-BRCA和俄俄州立大学 (OSU) 队列.
主要成果:
- 深度BCR-Auto在将患者分为低风险和高风险组的分层方面取得了强的表现.
- 在TCGA-BRCA上,该模型的AUROC为0.827,优于现有的弱监管模型 (p=0.041).
- 在OSU数据集上,它表现出一般性,AUROC为0.832,准确度为82.0%,特异性为85.0%,灵敏度为67.7%.
结论:
- 深度BCR-Auto显示出作为一个具有成本效益的计算病理学工具,用于评估乳腺癌复发风险的潜力.
- 这种方法可以提高个性化治疗策略的可用性,特别是在服务不足的人群中.
- 将深度学习整合到常规病理学中可以改善各种环境中的乳腺癌预后.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:32Author Spotlight: Investigating Immune Cell Dynamics in the Tumor Microenvironment — Challenges and Innovations in Cancer Prognosis
Published on: April 12, 2024
1.2K
