从组织学幻灯片中的腺体形状来预测结肠癌生存率,使用深度学习

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 数字病理学数字病理学

背景情况:

• 在结直肠癌组织病理学中精确的腺体细分对于预后生物标志物发现至关重要.
• 现有的方法可能会在不同的组织学外观和跨数据集的概括方面扎.
• 来自癌症基因组图谱 (TCGA) 的整个幻灯片图像 (WSI) 为大规模分析提供了丰富的资源.

研究的目的:

• 开发和验证一种深度学习模型,用于结直肠癌组织病理学图像中的强大的腺体细分.
• 从细分腺体中提取形态特征,用于生存预测.
• 根据预测的生存结果,将患者分为风险组.

主要方法:

• 卷积神经网络 (CNN) 模型,U-Net和DCAN,在联合的Glass和CRAG数据集上进行了训练.
• 选择DCAN模型是因为它具有卓越的腺体边界划定精度.
• 考克斯的比例危险模型利用提取的形态特征进行生存预测.

主要成果:

• 该DCAN模型展示了适用于TCGA WSIs的强大的腺体细分.
• 提取的形态特征通过使用考克斯模型 (高一致性指数) 实现了高预测性能.
• 分为高风险和低风险组的分层显示了显著的生存差异 (逻辑等级p值:0.01317).

结论:

• 基于深度学习的腺体细分是结直肠癌预后的一个有希望的方法.
• 来自细分腺体的形态特征可以有效预测患者的生存率.
• 这项研究强调了计算病理学在推进精确瘤学的潜力.