基于深度学习的模型的开发,以使用宫癌数字病理学评估放射治疗期间的变化
Masaaki Goto1,2, Yasunori Futamura3,4, Hirokazu Makishima1,5
1Department of Radiation Oncology & Proton Medical Research Center, Institute of Medicine, University of Tsukuba, 2-1-1 Amakubo, Tsubuka, Ibaraki 305-8576, Japan.
Journal of radiation research
|March 7, 2025
概括
一个深度学习模型在放射治疗前和期间对宫癌活检进行分类,在整个幻灯片图像上可视化结果. 诊断时较低的放射治疗状态概率 (RSP) 与更好的整体存活率相关,这表明预后价值.
科学领域:
- 数字病理学数字病理学
- 机器学习在瘤学中
- 子宫癌的研究研究.
背景情况:
- 宫癌活检的准确分类对于治疗计划和预后至关重要.
- 放射治疗反应评估通常依赖于对基因病理特征的主观解释.
- 开发客观,定量方法来分析瘤反应是一个未满足的临床需求.
研究的目的:
- 开发和验证一种深度学习模型,用于在放射治疗前和期间对宫癌活检进行分类.
- 在整个幻灯片图像 (WSIs) 上可视化模型预测,以获得更好的解释性.
- 探索该模型输出的临床意义和预后价值,称为放射治疗状态概率 (RSP).
主要方法:
- 使用了DenseNet121功能提取器和支持向量机器分类器,用于深度学习模型.
- 训练并测试了该模型在约12,400和6,000个分别是血素-素染色的活检瓦上.
- 评估每和每WSI的模型性能,将RSP视为WSIs上的颜色图,并执行生存分析.
主要成果:
- 该模型在测试组件上实现了接收器运行特征曲线 (AUC) 下的面积为0.76 per-tile和0.95 per-WSI.
- 视觉化突出显示了可行的瘤组件和流体.
- 虽然治疗期间的RSP缺乏预后影响,但诊断时的低RSP与延长整体存活率相关 (P=0.045).
结论:
- 成功开发了一种深度学习模型,用于在放射治疗前和期间对宫癌活检进行分类,并在WSIs上可视化结果.
- 该模型分析瘤形态特征的能力显示出预测患者预后的潜力.
- 在治疗前RSP较低的病例显示出更好的预后,这表明这些AI衍生特征的潜在实用性.
