通过深度学习识别的肌和淋巴细胞是胰腺癌生存的独立预测因素

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 生物标志物发现发现

背景情况:

• 胰腺管腺癌 (PDAC) 是一种高度致命的癌症,患者的存活率可变.
• 识别预后生物标志物对于个性化患者管理至关重要.
• 目前用于分析病理幻灯片的方法可能耗时.

研究的目的:

• 开发和验证一个深度学习模型,用于在PDAC全幻灯片图像 (WSIs) 中自动检测瘤,肌瘤和淋巴细胞.
• 调查以百分比 (SIP) 和百分比 (LIP) 的淋巴细胞作为PDAC患者生存的生物标志物的预后值.

主要方法:

• 训练了一种U网形的深度学习模型,在800个PDAC WSIs上对瘤,筋膜和淋巴细胞进行细分.
• 用百分比表达的肌 (SIP) 和百分比表达的淋巴细胞 (LIP) 被分类.
• 进行了生存分析,以将SIP和LIP与总生存率 (OS) 相关联.

主要成果:

• 深度学习模型实现了高精度 (94.72%) 和细分性能 (mIoU 78.66%,Dice 87.74%).
• 更高的SIP和LIP类别与改善的中位数整体存活 (OS) 有显著的关联.

结论:

• 使用深度学习对PDAC WSIs的自动分析可以有效地识别关键组织学特征.
• SIP和LIP显示出作为预后生物标志物的显著潜力,用于预测PDAC患者的生存率.
• 深度学习为数字病理学中的生物标志物发现提供了一个强大的工具.