用人工智能驱动的多模式框架用于质母细胞瘤的预后建模:加强临床决策支持
Zihan Zhao1, Nguyen Quoc Khanh Le2, Matthew Chin Heng Chua1
1Department of Biomedical Informatics, Yong Loo Lin School of Medicine, National University of Singapore, Singapore 117597, Singapore.
概括
这项研究引入了一个AI框架,使用多模式数据来预测质母细胞瘤 (GBM). 人工智能模型集成成像,组织病理学和转录学,以改善风险分层和个性化治疗计划.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 生物信息学是一种生物信息学.
背景情况:
- 质母细胞瘤 (GBM) 由于其侵略性和有限的治疗选择而构成重大挑战.
- 当前的预后模型往往缺乏通过依赖单个数据类型来捕捉GBM复杂异质性的能力.
- 准确的预后建模对于在GBM患者中定制个性化治疗策略至关重要.
研究的目的:
- 开发和验证人工智能驱动的多模式框架,以加强在质母细胞瘤中的临床决策支持.
- 整合放射性成像,组织病理学和转录组数据,以改善预后评估和风险分层.
- 使用视觉变压器 (ViT) 进行瘤分级,并使用基于注意力的深度学习模型进行预后评估.
主要方法:
- 一个视觉变压器 (ViT) 在FLAIRMRI扫描上接受了培训,用于瘤分级 (WHO等级2-4).
- 一个基于注意力的深度学习模型整合了全幻灯片组织病理图像和RNA测序数据用于预后建模.
- 使用AUC,C指数和Kaplan-Meier生存分析对独立队列 (CPTAC-GBM,TCGA-GBM) 的模型性能进行了评估.
主要成果:
- ViT模型在瘤等级分类方面获得了高F1分数 (>0.89).
- 与单一模式方法相比,多式人工智能框架显示出更高的预测准确性,由更高的C指数值证明.
- 卡普兰-梅尔分析显示,高风险和低风险患者组之间的存活率差异具有统计学意义 (p < 0.0001).
结论:
- 支持人工智能的多模式框架通过提供准确的风险分层来增强质母细胞瘤的临床决策.
- 整合放射学,组织病理学和转录基因数据为个性化GBM预后和治疗规划提供了全面的方法.
- 这种方法在利用人工智能来进行复杂的癌症数据分析和患者护理方面取得了重大进展.
