基因表达基因乳腺癌扩散得分的预测从基因病理学全幻灯片图像使用深度学习
Andreas Ekholm1, Yinxi Wang1, Johan Vallon-Christersson2
1Department of Medical Epidemiology and Biostatistics, Karolinska Institutet, Box 281, Stockholm, 171 77, Sweden.
BMC cancer
|December 11, 2024
概括
深度学习模型可以从整个幻灯片图像中预测乳腺癌的扩散特征,为个性化治疗提供预后信息. 这种方法有助于评估复发风险并指导临床决策.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 生物信息学是一种生物信息学.
背景情况:
- 针对乳腺癌的个性化治疗依赖于基因表达试验.
- 繁殖特征,包括11基因分数和MKI67标记,对于治疗决策至关重要.
- 从数字病理学图像中预测这些特征可以增强治疗策略.
研究的目的:
- 通过使用深度学习,评估从数字整片图像 (WSIs) 预测乳腺癌扩散特征的可行性.
- 评估这些预测签名的预后价值.
主要方法:
- 两种卷积神经网络 (CNN) 模型在WSIs和RNA测序数据上受训,来自819名侵入性乳腺癌患者.
- 模型预测了11个基因扩散得分和MKI67标记.
- 在内部和外部测试集上验证了性能;使用Cox比例危险模型评估了预后值.
主要成果:
- 在内部和外部测试集中,CNN准确地预测了WSI的扩散得分和MKI67标记 (斯皮尔曼相关系数从0.403到0.691).
- 在外部测试组中,高的增殖分数或标记与复发或死亡风险的增加显著相关 (HRs 1.65和1.84).
结论:
- 深度学习模型可以直接从WSIs中的乳腺癌形态学中预测基因表达的增殖特征.
- 这些预测为研究和临床应用提供了宝贵的预后信息.
- 这种方法促进了乳腺癌管理中的个性化治疗策略.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
07:32Author Spotlight: Investigating Immune Cell Dynamics in the Tumor Microenvironment — Challenges and Innovations in Cancer Prognosis
Published on: April 12, 2024
1.2K
