通过深度学习预测扩散大B细胞淋巴瘤患者复发或耐药的风险
Dongshen Ma1, Yuqing Yuan1, Xiaodan Miao1
1Department of Pathology, The Affiliated Hospital of Xuzhou Medical University, Xuzhou, China.
Frontiers in oncology
|March 18, 2025
概括
预测复发性或耐火性 (R/R) 扩散性大B细胞淋巴瘤 (DLBCL) 风险的早期预测至关重要. 结合H&E图像和临床数据的新型模型显示了改善患者结果的希望.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 医疗信息学 医疗信息学
背景情况:
- 扩散性大B细胞淋巴瘤 (DLBCL) 是一种常见的非霍奇金淋巴瘤 (NHL),具有显著的复发或折射性风险 (R/R).
- 早期预测R / R风险对于及时调整治疗和改善患者预后至关重要.
- 目前的预测方法可能无法充分利用综合的临床和病原学数据.
研究的目的:
- 开发和验证DLBCL患者R/R风险的新型预测模型.
- 整合基因病理图像特征与临床数据,以提高预测准确度.
- 在DLBCL中建立个性化治疗策略的基础.
主要方法:
- 收集了227名DLBCL患者的临床数据和H&E图像.
- 开发了一个随机森林模型,使用临床特征来预测R/R风险.
- 使用CLAM和卷积神经网络构建了一个基于图像的预测模型.
- 融合预测模型的综合临床和图像特征.
主要成果:
- 聚变模型在验证组中达到0.71±0.07的平均AUC,在测试组中达到0.70±0.04.
- 该研究表明,使用组合的H&E图像和临床数据预测R/R风险的可行性.
- 开发的模型提供了一种新的方法来识别高风险DLBCL患者.
结论:
- 拟议的融合模型为预测DLBCL中的R/R风险提供了一个有希望的方法.
- 对于被确定为高风险的患者,可以实施加强监测和及时调整治疗.
- 这种方法可以帮助优化DLBCL患者的管理策略.
