半监督的ViT知识蒸网络,用于结直肠肝转移的样式转移正常化,预测存活率

科学领域:

• 计算病理学计算病理学
• 数字历史学 数字历史学
• 在瘤学中使用人工智能

背景情况:

• 结肠直肠肝转移 (CLM) 影响近一半的结肠癌患者,化疗反应对生存至关重要.
• 传统的瘤分级 (例如,瘤回归等级 [TRG]) 是主观的,耗时的,并限制了可靠性.
• 现有的机器学习预后模型通常依赖于放射学数据,忽略了详细的组织学信息.

研究的目的:

• 开发一种自动化的,端到端的方法来预测CLM患者的预后,使用血氧和 (H&E) 和血氧花 (HPS) 染色组织学幻灯片.
• 克服主观和耗时的传统分级方法的局限性.
• 利用组织学图像数据进行更准确的生存预测,捕捉复杂的瘤微环境特征.

主要方法:

• 使用生成对抗网络 (GAN) 进行幻灯片规范化,以标准化图像质量并减少染色变化.
• 采用半监督的,基于注意力的组织分类模型,从稀疏的注释生成细分和特征地图.
• 从转移性结节和周围组织中提取特征,以训练预后模型,通过知识蒸训练的视觉转换器增强.

主要成果:

• 在内部数据集 (258名CLM患者) 上取得了卓越的表现,其c指数为0.804的整体存活率 (OS) 和0.735的时间到复发率 (TTR).
• 在预测TRG二分化 (86.9%90.3%) 和三类TRG分类 (78.5%82.1%) 中表现出很高的准确性,优于比较方法.
• 在两个公共数据集上验证了性能,证实了拟议管道的稳定性.

结论:

• 拟议的自动化管道为管理CLM患者的病理学家和瘤学家提供了准确的预后预测.
• 这种方法通过提供可靠的,数据驱动的对患者结果的见解来增强精准医学.
• 该方法有效地利用组织学数据来改进传统的预后评估.