NACNet:一个组织学上下文感知的变压器图形卷积网络,用于预测三阴性乳腺癌中新辅助化疗对治疗反应的治疗反应
Qiang Li1, George Teodoro2, Yi Jiang3
1Department of Mathematics and Statistics, Georgia State University, Atlanta, 30303, GA, USA.
概括
在三阴性乳腺癌 (TNBC) 中预测新辅助化疗 (NAC) 反应得到了NACNet的改进,这是一个新的深度学习模型. 纳克网分析整个幻灯片图像以捕捉瘤微环境背景,增强治疗预测,以获得更好的患者结果.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 数字病理学图像分析图像分析
背景情况:
- 在三阴性乳腺癌 (TNBC) 中预测新辅助化疗 (NAC) 反应对于个性化治疗至关重要,但由于复杂的瘤微环境 (TME) 组织学而具有挑战性.
- 现有的数字整体幻灯片图像 (WSI) 分析方法往往缺乏空间TME上下文,限制了预测准确性.
研究的目的:
- 开发一个深度学习模型,NACNet,它结合了TME空间组织学相互作用,以改善TNBC患者的NAC反应预测.
- 利用WSIs和先进的图形神经网络来分析复杂的遗传病理特征.
主要方法:
- 开发了NACNet,一个组织学上下文感知的变压器图形卷积网络,用于识别WSI中的遗传病理标签.
- 构建了一个空间TME图形,节点代表图像和来自组织纹理和社交网络分析的特征.
- 在 NAC 响应预测的变压器图形卷积网络中利用图形异态网络层.
主要成果:
- 在TNBC患者队列 (N=105) 中,NACNet通过八倍交叉验证实现了90.0%的准确性,96.0%的灵敏度,88.0%的特异性和0.82的AUC.
- 该模型的性能优于多种最先进的基于图形和非图形的机器和深度学习方法.
- 证明了纳入TME空间背景对于准确的NAC响应预测的重要性.
结论:
- 根据NAC反应,NACNet显示了对TNBC患者分层的显著潜力,有助于优化治疗.
- 这种方法可以帮助预防过度治疗,改善患者的生活质量,降低成本,提高乳腺癌护理的临床结果.
- 通过对数字病理学图像的复杂分析,NACNet代表了实现个性化乳腺癌治疗的进步.
