前列腺癌风险分层在NRG瘤学第三阶段随机试验中使用多模式深度学习与数字组织病理学

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 数字病理学数字病理学

背景情况:

• 当前局部性前列腺癌的风险分层是不理想的,导致过度治疗和治疗不足.
• 使用数字遗传病理学的机器学习显示了改善预后能力的前景.

研究的目的:

• 利用多式联络人工智能 (MMAI) 模型开发一种临床可用的风险分组系统.
• 创建一个超越当前国家综合癌症网络 (NCCN) 局部前列腺癌风险组的系统.

主要方法:

• 利用MMAI模型整合了NRG瘤学III期试验中9,787名患者的数字组织病理图像和临床数据.
• 根据10年远程转移率的专家共识,定义了低,中,高风险组.
• 与NCCN风险组相比,对MMAI重新分类和预测性能进行了比较.

主要成果:

• 在MMAI中,43.5%的患者被确定为低风险,34.6%的中等风险,21.8%的高风险,将42.0%的患者从NCCN类别重新分类.
• 低风险组的MMAI的10年转移风险 (3.2%) 与NCCN的 (1.7%) 相当.
• MMAI将高风险NCCN患者 (16.6%的转移风险) 分为分组,分别有3.4%,8.2%和26.3%的转移率.

结论:

• 该MMAI风险分组系统扩大了识别具有低转移风险的男性的范围.
• 它准确地确定了一个高风险的子集,其转移率较高.
• 这种方法旨在防止局部性前列腺癌的过度治疗和治疗不足,帮助共享决策.