清细胞细胞癌治疗结果预测的多式组合方法
Meixu Chen1, Kai Wang1,2, Payal Kapur3
1Medical Artificial Intelligence and Automation (MAIA) Lab, Department of Radiation Oncology, University of Texas Southwestern Medical Center, Dallas, TX, 75235, USA.
ArXiv
|December 23, 2024
概括
这项研究引入了一种多模组合模型 (MMEM) 用于清细胞细胞癌 (ccRCC) 预后,整合了临床,多omics和整个幻灯片图像 (WSI) 数据. 与单个数据类型模型相比,MMEM显著改善了总生存率 (OS) 和无疾病生存率 (DFS) 的预测.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 医疗成像医学成像
背景情况:
- 清晰细胞细胞癌 (ccRCC) 的准确预后对于个性化治疗策略至关重要.
- 整合不同的数据类型可以提高癌症结果的预测准确性.
研究的目的:
- 开发和验证一种多模组合模型 (MMEM),用于预测ccRCC患者的整体存活率 (OS) 和无病存活率 (DFS).
- 评估整合临床,多组和组织病理学全幻灯片图像 (WSI) 数据用于癌症预后的附加值.
主要方法:
- 收集了226名TCGA-KIRC患者的数据,包括临床,mRNA,miRNA,DNA甲基化和WSI数据.
- 使用Cox比例危险 (CPH) 和深度学习方法,为OS和DFS构建了五个独立的生存预测模型.
- 开发了一个整体策略,将来自单个模型的预测结合起来,根据性能对其进行加权.
主要成果:
- 多模组合模型 (MMEM) 实现了高预测性能,一致性指数 (C指数) 为OS的0.820和DFS的0.833.
- 与单一模式模型相比,MMEM在所有预测任务中表现出卓越的预测能力.
- 计算病理学的基础模型在从WSI数据中提取特征方面表现强.
结论:
- 开发的MMEM首次整合了ccRCC预后的五种数据模式,提供了增强的预测能力.
- 该模型的卓越性能凸显了在ccRCC患者管理中采用多模式方法的好处.
- 建议进一步进行独立验证,以支持其在ccRCC患者护理中的临床应用.


