深度学习预测淋巴血管入侵状态在肌肉侵入性膀癌组织病理学

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 淋巴血管入侵 (LVI) 是肌肉侵入性膀癌 (MIBC) 的关键预后指标,显著影响患者的治疗结果.
• 准确识别LVI对于有效的风险分层和指导MIBC的精确治疗策略至关重要.
• 目前用于LVI检测的方法可能是主观的和耗时的,突出了客观和自动化的方法的需要.

研究的目的:

• 开发和验证一种深度学习模型,用于在肌肉侵入性膀癌 (MIBC) 患者的全幻灯片图像 (WSIs) 中自动检测淋巴血管侵入 (LVI).
• 评估开发的模型在独立验证队伍中预测LVI状态的性能.
• 评估深度学习预测的LVI状态对MIBC患者生存结果的预后意义.

主要方法:

• 一个深度学习模型,基于幻灯片的淋巴血管入侵预测器 (SBLVIP),是使用从癌症基因组图谱 (TCGA) 队列的全幻灯片图像 (WSIs) 上的多个实例学习来开发的.
• 该SBLVIP模型经过外部验证,使用武汉大学 (RHWU) 的任民医院和汉川市人民医院 (PHHC) 的独立队列.
• 卡普兰-梅尔曲线和考克斯比例危险模型被用来分析SBLVIP预测的LVI状态和MIBC患者的整体存活率之间的关联.

主要成果:

• 该SBLVIP模型表现出强大的性能,在训练和验证队列中实现了高精度和AUC值,其中TCGA训练组的AUC为0.77,外部验证组的AUC为0.74至0.76.
• 该模型一致预测LVI状态,所有评估队列的平均准确度在0.774到0.821之间.
• 通过SBLVIP预测的LVI状态被发现具有显著的独立预后价值,P值为1 × 10−6,表明其与患者存活率的强烈关联.

结论:

• 一种新的深度学习模型SBLVIP已成功开发,用于精确预测肌肉侵入性膀癌 (MIBC) 患者的常规全幻灯片图像 (WSIs) 中的淋巴血管入侵 (LVI).
• SBLVIP模型显示出作为LVI评估的客观和可靠工具的有希望的潜力,有助于MIBC患者的风险分层.
• 这种人工智能驱动的方法可以增强临床决策,并为MIBC提供更个性化的治疗策略.