学习从组织图像预测前列腺癌复发的方法

科学领域:

• 计算病理学计算病理学
• 在瘤学瘤学.
• 医学中的人工智能

背景情况:

• 生物化学癌症复发 (BCR) 影响大约30%的前列腺切除术后的男性.
• 准确预测BCR对于及时干预监测或辅助治疗至关重要.
• 目前的BCR预测方法缺乏足够的有效性.

研究的目的:

• 开发和评估PathCLR,一种用于预测前列腺癌复发的新型半监督方法.
• 用血素和素 (H&E) 染色的组织微阵列 (TMA) 来预测五年内BCR.
• 评估PathCLR的性能与仅基于临床病理特征的模型相比.

主要方法:

• PathCLR采用两步过程:自主监督的特征表示学习,然后是监督的神经网络分类器.
• 在两个大型前列腺癌数据集 (CPCTR和JHU) 上进行了培训和验证.
• 使用F1评分评估性能,并与仅使用临床病理学数据的模型进行比较.

主要成果:

• 使用十倍交叉验证,PathCLR获得了0.61 (CPCTR) 和0.85 (JHU) 的F1得分.
• 与仅依赖临床病理特征 (P < .05) 的模型相比,PathCLR在统计学上表现优越 (P < .05).
• 该方法有效地整合了来自组织图像和临床病理学数据的信息,以改善预测.

结论:

• 在预测前列腺癌复发方面,PathCLR提供了显著的进步.
• 组织图像分析提供了超越传统临床病理特征的关键预测信息.
• 这种方法对识别那些将受益于手术后加强监测或治疗的患者具有前景.