相关实验视频
Updated: Jun 13, 2025
10:04
Enhancing Tumor Content through Tumor Macrodissection
Published on: February 12, 2022
9.8K
基于机器学习的组织学幻灯片的组织病理特征和临床特征作为扩散大B细胞淋巴瘤的新奇预后指标
Zheng Li1, Jiajie Shi2, Xiaolin Wu1
1Department of Hematology, Hebei Medical University Fourth Hospital, Shijiazhuang 050000, China.
Pathology, research and practice
|June 11, 2025
概括
使用临床和组织病理特征的新型深度学习模型准确地预测分散型大B细胞淋巴瘤 (DLBCL) 患者的整体存活率. 这种方法为预测结果和指导治疗决策提供了一种非侵入性方法.
科学领域:
- 计算病理学计算病理学
- 在瘤学瘤学.
- 数字病理学数字病理学
背景情况:
- 扩散性大B细胞淋巴瘤 (DLBCL) 的结果有显著差异.
- 准确的预后工具对于个性化治疗策略至关重要.
研究的目的:
- 开发和验证一种深度学习模型,用于预测DLBCL患者的整体存活率 (OS).
- 整合临床和组织病理学特征,以提高预后准确度.
主要方法:
- 分析了来自DLBCL患者的194张整片图像.
- 使用CellProfiler提取临床和组织病理特征.
- 使用考克斯回归,AUC,校准曲线和决策曲线分析 (DCA) 的验证.
主要成果:
- 临床病理学名图显示,与基于Pathomics分数的名图相比,对长期整体存活率 (OS) 的预测优越.
- 临床病理学名图显示,对于3年后的OS,准确度更高 (AUC:0.812对比0.759).
- 决策曲线分析证实了临床病理学名图在临床决策中的实用性.
结论:
- 一个整合临床和组织病理特征的诺米图提供了一种新的,非侵入性的方法来预测DLBCL患者的OS.
- 这个模型有可能指导治疗反应并改善患者管理.
