可解释的增强注意力的启发性范式,用于多视图预后风险评分在肝细胞癌的发展
Anran Liu1, Jiang Zhang1, Tong Li2
1Department of Health Technology and Informatics, Hong Kong Polytechnic University, 11 Yuk Choi Road, Hong Kong SAR, China.
Hepatology international
|March 16, 2025
概括
一个新的深度学习模型,混合深度得分 (HDS),为肝细胞癌 (HCC) 患者提供可解释的风险分层. 这种方法通过分析组织特征并与现有的分期系统集成来提高预后准确性.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 目前肝细胞癌 (HCC) 的预后分期系统依赖于手动病理分析或不透明的深度学习模型.
- 这些方法可能会错过关键的预后模式或缺乏临床信任,因为它们的黑子性质.
研究的目的:
- 为HCC引入一种新的深度学习辅助范式,产生可解释的多视图风险分数.
- 通过补充现有的分期方法,对HCC患者的预后风险进行分层.
主要方法:
- 在510名HCC患者 (SYSUCC队列) 上训练的深度学习模型中开发了混合深度评分 (HDS).
- 使用注意力激活器 (ATAT) 识别高风险组织,并使用多视图系统来建立HDS.
- 在341名HCC患者 (TCGA-LIHC) 的外部队列上验证了HDS.
主要成果:
- 该ATAT通过关注缩,淋巴细胞和瘤组织的融合来确定高风险区域.
- HDS集成了微观形态学,同定位和深度全球指标,证明了无疾病生存 (DFS) 的显著预后价值.
- 在内部和外部验证队伍中,HDS在内部和外部验证队伍中实现了具有竞争力的危险比率和一致性指数值,在与现有系统相结合时改善了风险分层.
结论:
- 这种新型范式为HCC预后提供了可解释的风险评分,为疾病进展提供了新的见解.
- 将HDS整合到当前的临床分期系统中,可以提高DFS和整体存活率 (OS) 的详细分层,有助于识别高风险患者.
