发展的转移和存活预测模型的光线和非光线乳腺癌,基于病理学弱监督学习的病理学
Hui Liu1, Linlin Ying1, Xing Song1
1Departments of Clinical Pathology, The Second Affiliated Hospital of Medical College of Zhejiang University, Hangzhou, Zhejiang, China.
PeerJ
|January 27, 2025
概括
深度学习模型使用病理图像准确预测乳腺癌转移和存活率. 这种病态方法有助于个性化治疗决策,以改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 人工智能的人工智能
背景情况:
- 乳腺癌是全球领先的女性癌症,其特点是异质的临床行为.
- 根据转移和生存风险对患者进行分层对个性化治疗至关重要.
- 病理图像含有预测患者结果的重要信息.
研究的目的:
- 开发一种深度学习模型,用于预测乳腺癌转移和生存结果.
- 用病理图像来增强乳腺癌患者风险分层.
- 探索不同深度学习网络在乳腺癌预后中的有效性.
主要方法:
- 从204个急性乳房切除标本中利用整个幻灯片成像 (WSI).
- 与DenseNet121,ResNet50和Inception_v3深度学习网络进行比较.
- 机器学习和考克斯回归模型的组合补丁级预测,直方图和TF-IDF特征.
主要成果:
- Inception_v3表现出强大的雌激素受体 (ER) 识别和精确的瘤区域识别.
- 深度学习模型在预测转移和生存结果方面取得了很高的准确性.
- 在测试组中预测生存的C指数为0.710,超过监督学习模型的表现.
结论:
- 深度学习模型显示了预测乳腺癌转移和预后的巨大潜力.
- 病态模型准确地识别瘤区域和ER状态,有助于风险分层.
- 将病态与临床特征相结合,为个性化乳腺癌治疗提供了有价值的工具.
