相关实验视频
Updated: May 7, 2026
03:36
Development of Compendium for Esophageal Squamous Cell Carcinoma
Published on: April 12, 2024
528
OncoMet:一种深度学习框架,用于预测食道癌患者的致癌信号通路和转移,使用来自原发性瘤的组织病理图像
Syed Wajid Aalam1,2, Abdul Basit Ahanger1, Tabasum Majeed3
1Department of Computer Science, Islamic University of Science and Technology (IUST), Awantipora, Kashmir, India.
Journal of translational medicine
|August 22, 2025
概括
深度学习模型现在可以从H&E幻灯片中预测食道癌转移和瘤途径放松. 这种方法使用幻灯片级注释,为精准医学提供更快,更具成本效益的替代方案.
科学领域:
- 数字病理学
- 计算瘤学
- 医学中的人工智能
背景情况:
- 尽管诊断进展,食道癌仍然是癌症死亡的主要原因.
- 预测转移和瘤途径放松对EC精准医学和向治疗至关重要.
- 目前对这些预测的分子测试耗时且昂贵.
研究的目的:
- 开发一种深度学习模型,用于预测转移潜力,并识别EC中不受管制的瘤信号通路.
- 使用数字病理图像自动化和增强EC诊断和风险分层.
- 建立一个具有成本效益和及时的诊断方法.
主要方法:
- 使用来自癌症基因组图谱 (TCGA) 的高分辨率H&E染色全片图像 (WSI).
- 预处理的WSI包括补丁,颜色正常化和增强.
- 在WSI数据和幻灯片级标签上训练了一个深度学习模型,以预测转移风险和途径放松 (mTOR,PTEN,p53,PI3K/AKT).
主要成果:
- 预测转移风险的AUC为0. 92.
- 获得的AUC为0. 64到0. 92以识别放松的致癌途径.
- 仅使用幻灯片级注释成功运行模型,不需要详尽的补丁级注释.
结论:
- 深度学习可以准确地检测转移,并使用幻灯片级注释从H&E幻灯片中识别放松的致癌途径.
- 这种方法为推进欧洲准确医学和向治疗提供了变革的潜力.
- 这些发现为自动化和增强癌症诊断和风险分层开辟了新的途径.
