可解释的多模式人工智能模型用于预测胃癌对新辅助化疗的反应

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 准确评估新辅助化疗反应对于局部晚期胃癌 (LAGC) 预后和治疗计划至关重要.
• 目前用于预测治疗疗效的方法有局限性,需要先进的预测工具.

研究的目的:

• 开发和验证可解释的人工智能 (AI) 框架,即增量监督对比学习模型 (iSCLM),用于预测LAGC中新辅助化疗反应.
• 为了整合治疗前的计算机断层扫描 (CT) 扫描和血素和素 (H&E) 染色的活检图像,以提高预测准确度.

主要方法:

• 该iSCLM框架是使用来自10个医疗中心的2,387名LAGC患者的回顾性数据开发的.
• 模型的性能在132名患者的前队列上进行了评估 (ChiCTR2300068917).
• 可解释的人工智能技术,包括沙普利增量解释和全球排序聚合,用于生成CT和病理图像的注意热图.

主要成果:

• iSCLM实现了高分辨能力,接收器下面的区域运行特征曲线在测试队伍中从0.846到0.876不等.
• 注意热图强调了该模型能够从CT和病理学数据中捕获相关的形态特征的能力.
• 病理学分析显示,与非响应者相比,响应者中排名最高的块显示瘤侵入边界距离减少,炎症细胞透增加.
• 在响应者中观察到CD11c表达升高,表明潜在的分子生物标志物.

结论:

• 开发的可解释AI模型 (iSCLM) 在分子病理水平上准确预测LAGC患者的化疗疗效率.
• iSCLM提供了一个有前途的工具,可以改善临床决策和患者管理,以改善新辅助化疗.
• 通过人工智能整合成像和组织病理学数据,增强对治疗反应机制的理解.