基于活检图像的深度学习用于预测NSCLC患者对新辅助化疗的病理反应

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 新辅助化疗 (NAC) 对可切除的非小细胞肺癌 (NSCLC) 至关重要,但预测个体患者的反应仍然具有挑战性.
• 对NAC反应的变化限制了其临床有效性,需要改进预测工具.

研究的目的:

• 开发和验证DeepDrRVT,一种弱监督的深度学习模型,用于使用预治疗活检图像预测NSCLC患者的NAC反应.
• 评估模型在预测完整和主要病理反应方面的表现及其与生存结果的相关性.

主要方法:

• 采用了一种弱监督的深度学习方法,集成自我监督的特征提取和基于注意力的深度多实例学习.
• 该模型,DeepDrRVT,在接受NAC.的NSCLC患者的预治疗活检图像上进行了训练和验证.

主要成果:

• 在训练,内部和外部验证队列中,DeepDrRVT实现了完整和主要病理反应的高预测性能 (AUCs从0.831到0.968).
• 该模型对残留可活性瘤的数字评估与病理学家的视觉评估有显著的相关性,并且与更长的无病生存期 (DFS) 有关.
• 在对临床病理学变量进行调整后,DeepDrRVT被确定为DFS的独立预后因素.

结论:

• DeepDrRVT展示了作为一个准确和可概括的工具来预测NSCLC中NAC反应的显著潜力.
• 该模型可以帮助临床医生在NAC启动之前做出更明智的治疗决策,从而有可能改善患者的治疗结果.
• DeepDrRVT提供了一种可靠和可访问的方法,用于增强NSCLC中NAC治疗策略.