通过分析肝移植后患者的病理图像来预测患者的生存率

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 对癌症复发的准确预测对于移植后和肝切除术后的治疗计划至关重要.
• 用于核分析的病理图像的手动细分是耗时且容易出现错误的.
• 开发用于生存预测的自动化方法对于管理大而复杂的数据集至关重要.

研究的目的:

• 开发和验证一个自动化的深度学习系统,用于使用病理图像的核特征来预测患者的生存率.
• 建立一个强大的生存预测方法,即使在小数据队伍中也有效.
• 将AI模型的预测性能与传统的生存分析方法进行比较.

主要方法:

• 从肝移植患者的病理图像中核细分 (n=67).
• 训练一个深度学习模型 (视觉转换器 - VIT),使用细分核面具和原始图像进行生存/死亡分类.
• 使用CoxPH和Kaplan-Meier模型进行生存分析,并使用C指数,AUC,NRI和HR比较深度学习模型的性能.

主要成果:

• 深度学习模型成功地根据病态图像特征预测了患者的生存率.
• 人工智能方法在处理复杂和大型数据集方面表现出效率,可能减少专家错误判断.
• 该模型的预测准确性与已建立的生存分析指标进行了验证.

结论:

• 对病理图像的自动化AI分析为预测癌症存活率和肝脏后手术提供了强大的工具.
• 这项技术通过提供快速准确的生存预测来增强患者治疗的决策.
• 开发的方法对于小数据场景特别有价值,扩大了其临床适用性.