深度学习的开发和验证,用于预测卵巢癌器官的生长
Hongji Wu1, Lifang Ma2,3,4, Ling Wang2,3,4
1Bioengineering College, Chongqing University, Chongqing 400044, China.
Chinese medical journal
|July 25, 2025
概括
这项研究开发了一种可解释的深度学习模型,以准确预测卵巢癌的器官生长,改善疾病建模和药物查的临床实用性.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 器官对疾病建模和药物查至关重要,但开发患者衍生器官 (PDO) 是一个挑战.
- 低的成功率和高的成本限制了PDO的临床实用性,特别是对于卵巢癌.
- 预测有机种植结果对于提高效率和成功率至关重要.
研究的目的:
- 开发一种可解释的深度学习模型,用于预测卵巢癌器官培养结果.
- 为了提高有机体生长预测的准确性和可靠性.
- 为了解决目前的PDO开发方法的局限性.
主要方法:
- 训练有素的深度学习模型 (ResNet18,VGG11,ConvNeXt v2,Swin Transformer v2) 在517个卵巢癌有机滴的纵向显微镜图像上.
- 使用同质转移学习优化模型,并对179个多中心样本进行前性验证.
- 采用Grad-CAM用于模型解释性,以确定关键的预测特征.
主要成果:
- 深度学习模型在测试组中实现了高预测性能 (AUC > 0.8).
- 优化使得AUC从0.833提高到0.884 (P = 0.0039).
- 展望验证显示AUC为0.832,与良好的校准和决策曲线分析,突出显示了有机物形成区域的重要性.
结论:
- 开发的深度学习模型有效地预测卵巢癌有机体的生长.
- 可解释性分析为模型决策提供了洞察力.
- 这些模型显示了有机体开发过程自动化的潜力.
