基于定量和形态学的深层卷积神经网络方法,用于预测新辅助和转移性环境中的骨髓瘤生存率
Nicolas Coudray1,2, Michael A Occidental3, Jose G Mantilla4
1Applied Bioinformatics Laboratories, New York University School of Medicine, New York, New York.
概括
深度学习模型在骨髓瘤组织学中准确量化瘤缩,预测患者的生存率. 这些模型还确定了新的组织形态生物标志物,以在新辅助环境中改善结果预测.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 数字健康数字健康
背景情况:
- 通过病理学幻灯片审查量化亡是新辅助设置中骨髓瘤的关键预后标志物.
- 准确评估瘤反应对于定制治疗策略和预测患者结果至关重要.
研究的目的:
- 探索深度学习策略,以利用组织学样本预测骨髓瘤患者的结果.
- 评估监督和自我监督的深度学习模型在量化死亡和确定预后组织形态特征方面的表现.
主要方法:
- 在纽约大学和查尔斯大学的组织学队伍中训练并验证了深度学习模型.
- 采用一种监督方法,整合神经网络对亡/瘤内容的预测.
- 研究基于形态的监督和自我监督方法来识别内在的组织形态学标记.
主要成果:
- 在量化死时,在神经网络和病理学家之间实现了优异的相关性 (R2 = 0.899).
- 基于监督形态学的方法显著预测了整体存活率 (OS) (P = 0.0028).
- 自主监督学习确定了与更好的生存状况相关的独特组织形态,而可行的瘤和脂肪亡与更差的生存状况相关.
结论:
- 深度学习模型可以自动估计死与瘤比率,这是一个经过验证的生存预测指标.
- 在死细胞和瘤区域内确定了新的组织形态生物标志物,这些生物标志物显示出作为结果的独立预测因子的潜力.
