多模式可解释的人工智能用于质母细胞瘤患者的预后分层

科学领域:

• 计算病理学计算病理学
• 神经瘤学神经瘤学
• 医疗图像分析 医学图像分析

背景情况:

• 质母细胞瘤 (GBM) 是一种具有不良预后的侵袭性脑瘤.
• 目前的治疗方法提供了有限的生存率改善.
• 在GBM患者中需要加强预后分层.

研究的目的:

• 从组织病理图像和临床数据中确定预后相关的GBM特征.
• 开发计算方法,以改善患者的预后分层.
• 为GBM优化临床决策和患者管理.

主要方法:

• 血素和欧染色全幻灯片图像 (WSI) 分析与工件修复.
• 弱监督的基于注意力的多实例学习与集群.
• XGBoost 和 SHapley 添加式扩展用于多式联运数据集成.

主要成果:

• 在WSIs中确定了预后模式,将患者分为短期或长期生存者.
• 多模式整合WSI和临床数据显著提高了分层性能.
• 临床数据分析提供了有关预后相关性的见解.

结论:

• 对WSIs和临床数据的计算分析提供了改进的GBM预后分层.
• 综合方法可以提高预测准确度,而不是单一模式分析.
• 这些发现可以指导神经病理学家,并建议对GBM进行生物学研究.