相关实验视频
Updated: Aug 10, 2026
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.1K
整合病理学和深度学习来确定皮膜黑色素瘤的亚型:识别高风险的免疫透概况
Qi Wan1, Ran Wei1, Hongbo Yin1
1Department of Ophthalmology, West China Hospital of Sichuan University, Chengdu, Sichuan, China.
Frontiers in immunology
|July 24, 2025
概括
这项研究使用无监督学习确定了带状黑色素瘤 (UVM) 的高免疫透亚型. 这一进展改善了这种罕见的癌症的患者分层和死亡风险预测.
科学领域:
- 计算病理学计算病理学
- 在瘤学瘤学.
- 医学中的人工智能.
背景情况:
- 卵巢黑色素瘤 (UVM) 是成年人中最常见的初级眼内恶性瘤.
- 尽管发病率低,但UVM的死亡率很高.
研究的目的:
- 使用无监督学习识别UVM的高免疫透亚型.
- 改善患者分层和UVM死亡风险预测.
主要方法:
- 来自基因组数据共享 (GDC) 的70个血素和素 (H&E) 染色的UVM全片图像 (WSI) 的分析.
- 包括68名UVM患者的验证队列.
- 使用CellProfiler提取病态特征并构建深度学习模型用于分类和生存预测.
- 无监督集群的应用用于预后预测和患者分类.
主要成果:
- 使用深度学习和机器学习准确预测和分类UVM患者.
- 确定UVM的预后相关的高免疫透亚型.
- 通过无监督集群,将UVM患者分为三个不同的子组.
- 有希望的生存预测结果来自基于Inception-V3的深度学习模型.
结论:
- 无监督和深度学习技术显示出识别UVM亚型和改善患者分层的潜力.
- 这项研究通过整合组织病理学图像,基因组数据和深度学习来推进UVM管理的计算病理学.
