淋巴结转移预测从现场肺状细胞癌组织病理学图像使用深度学习
Lu Xia1, Tao Xu2, Yongsheng Zheng3
1Xiamen Cell Therapy Research Center, The First Affiliated Hospital of Xiamen University, School of Medicine, Xiamen University, Xiamen, China; Center for Precision Medicine, The First Affiliated Hospital of Xiamen University, School of Medicine, Xiamen University, Xiamen, China; Department of Laboratory Medicine, The First Affiliated Hospital of Xiamen University, School of Medicine, Xiamen University, Xiamen, China.
深度学习模型使用组织病理学图像准确预测肺状细胞癌 (LUSC) 中的淋巴结转移. 开发的LN_ISLUSCH模型显示了改善LUSC患者的诊断和预后的前景.
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:
- 肺状细胞癌 (LUSC) 是一种主要的非小细胞肺癌亚型,预后可变.
- 目前对LUSC的病理评估有局限性,包括观察者之间的变化.
- 精确预测淋巴结转移对于LUSC治疗和预后至关重要.
研究的目的:
- 开发和验证深度学习模型,以使用原发性瘤组织病理图像预测LUSC中的淋巴结转移.
- 建立一个更客观,更准确的LUSC诊断和预后工具.
- 为了确定一个新的基于组织病理学的签名,用于LUSC淋巴结转移的预测.
主要方法:
- 使用了来自Outdo-LUSC和癌症基因组图谱 (TCGA) 队列的整个幻灯片图像 (WSI).
- 使用ResNet-18应用多实例学习和用于补丁级预测的转移学习.
- 采用特征表示技术,如补丁概率直方图和词袋,其次是ExtraTrees分类.
主要成果:
- ExtraTrees算法在淋巴结转移方面取得了强大的诊断性能.
- 开发的签名LN_ISLUSCH显示了高AUC值 (0.941训练,0.788测试).
- 在Kaplan-Meier分析中,LN_ISLUSCH被确定为一个显著的预后因素 (P = .02).
结论:
- 应用在组织病理学图像上的深度学习模型可以准确地预测LUSC中的淋巴结转移.
- LN_ISLUSCH模型为提高LUSC诊断精度和预后评估提供了一个有前途的工具.
- 未来的研究应该涉及更大的队列,并整合多omics数据,以提高AI在LUSC的临床实用性.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
07:32Author Spotlight: Investigating Immune Cell Dynamics in the Tumor Microenvironment — Challenges and Innovations in Cancer Prognosis
Published on: April 12, 2024