预测子宫内膜癌的微卫星不稳定性的新型模型:集成深度学习-病理学和基于MRI的放射学
Lingling Zhou1, Liyun Zheng2, Chenchen Hong3
1Zhejiang Key Laboratory of Imaging and Interventional Medicine, Lishui Hospital, School of Medicine, Zhejiang University, No 289, Kuocang Road, Lishui 323000, China (L.Z., L.Z., Y.H., Z.W., X.G., Z.Z., M.X., C.L., M.C., J.J.).
Academic radiology
|August 27, 2025
概括
一种新的深度学习病态放射学模型 (DLPRM) 准确地使用多参数MRI和整个幻灯片图像预测子宫内膜癌的微卫星不稳定性 (MSI) 状态. 这种工具有助于临床医生进行个性化EC管理.
科学领域:
- 癌症学
- 放射学
- 病理学
背景情况:
- 微卫星不稳定性 (MSI) 是子宫内膜癌 (EC) 的关键生物标志物.
- 准确预测MSI状态对于EC的治疗决定至关重要.
- 目前的MSI检测方法可能是侵入性的或耗时的.
研究的目的:
- 开发和验证一个新的深度学习 (DLPRM) 病理学模型.
- 预测子宫内膜癌患者的微卫星不稳定 (MSI) 状态.
- 使用多参数MRI和全片图像 (WSIs) 来进行非侵入性MSI预测.
主要方法:
- 一个回顾性研究包括136名EC患者,分为培训 (96) 和验证 (40) 组.
- 深度学习 (ResNet50) 从T2WI,DWI和AP序列中提取了病理特征;Pyradiomics从T2WI,DWI和AP序列中提取了放射特征.
- 多层感知子 (MLP) 集成到DLPRM中的放射学和病理学特征,使用ROC,精度,灵敏度,特异性,PPV,NPV和F1得分进行验证.
主要成果:
- 结合放射学和病理学特征的DLPRM在预测MSI状态方面表现出很高的性能.
- 在训练组中,DLPRM的AUC值为0. 960;在验证组中,AUC值为0. 917.
- 决策曲线分析表明DLPRM具有显著的临床净益处.
结论:
- DLPRM有效地预测EC患者的MSI状态,使用治疗前的病态辐射图像.
- 该模型具有很高的准确性和稳定性,为个性化EC管理提供了一种新工具.
- 这种方法可以帮助临床医生优化EC患者的治疗策略.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
193
07:44Non-Invasive Ultrasound Assessment of Endometrial Cancer Progression in Pax8-Directed Deletion of the Tumor Suppressors Arid1a and Pten in Mice
Published on: February 17, 2023
1.7K