清细胞细胞癌的侵略性分类使用注册独立的放射学-病理学相关性学习
Indrani Bhattacharya1, Karin Stacke2,3, Emily Chan4
1Department of Radiology, Stanford University, Stanford, California, USA.
Medical physics
|October 24, 2024
概括
一种新的机器学习方法,区域相关特征聚合 (CorrFABR),使用CT扫描和临床数据准确地分类清细胞细胞癌 (ccRCC) 的攻击性. 这种非侵入性方法有助于对ccRCC患者的风险分层和治疗计划.
科学领域:
- 医疗成像中的人工智能
- 机器学习用于癌症诊断
- 放射学和计算机病理学
背景情况:
- 细胞癌 (RCC) 呈现出可变的临床行为,透明细胞RCC (ccRCC) 呈现为攻击性或惰性亚型.
- 准确的ccRCC攻击性分类对于患者管理至关重要,但目前的方法依赖于侵入性病理学.
- 计算机断层扫描 (CT) 扫描被广泛用于RCC检测,突出了对非侵入性攻击性评估的需求.
研究的目的:
- 开发一种新的机器学习方法,即按地区相关特征聚合 (CorrFABR),用于基于CT成像的ccRCC的非侵入性攻击性分类.
- 通过基于CT的分析来实现风险分层并为ccRCC的治疗计划提供信息.
主要方法:
- CorrFABR是一个多式融合算法,将放射学 (CT) 和病理学图像与临床变量集成在一起.
- 它采用基于视觉变压器的基础模型来提取特征,以及一种新的注册独立的相关性学习模块来识别病理信息的CT生物标志物.
- 该方法汇总了区域级特征,融合了CT和病理信息,并使用学习的生物标志物和临床数据 (瘤直径,性别,年龄) 来分类ccRCC的攻击性.
主要成果:
- 在分类ccRCC攻击性方面,CorrFABR取得了高性能,ROC-AUC为0.855,F1得分为0.793,灵敏度为0.741,特异性为0.876.
- 与单独的CT特征相比,病理相关的CT生物标志物显著提高了分类准确性.
- 这些生物标志物与临床变量 (瘤直径,性别,年龄) 的整合进一步提高了分类性能.
结论:
- CorrFABR提供了一种新且临床适用的方法,用于基于CT的ccRCC的攻击性分类.
- 该方法通过注册独立的关联学习成功识别了病理信息的CT生物标志物,即使在不同分辨率的非对齐图像中也是如此.
- 这种非侵入性方法促进了ccRCC的准确风险分层和个性化治疗计划.
