这页已由机器翻译。其他页面可能仍然显示为英文。 View in English

视力转换器网络通过可解释的风险得分发现胰腺癌病理学部分的预后价值

Zhiyong Peng ¹, Yue Zhang ¹, Tianchi Zhou ²

⁰School of Optoelectronic Engineering, Guilin University of Electronic Technology, Guilin, China.

Discover Oncology +

|

2025年九月2日

在PubMed上查看摘要

概括

深度学习模型分析病理幻灯片以预测胰腺癌患者的结果. 这种方法通过识别预后标志物来提高生存预测的精度.

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

病理学部分包含有价值的诊断数据,但其预后潜力在很大程度上未得到充分利用.
精准瘤学试图根据个体患者的特征来个性化癌症治疗.
胰腺癌的预后不佳, 需要改进预测结果的方法.

研究的目的

开发和验证一种深度学习模型,使用整个胰腺癌幻灯片来预测患者的结果.
通过修改的视觉变压器 (ViT) 模型提取的组织病理特征的预后价值.
为分层胰腺癌患者建立可解释的风险分数.

主要方法

来自公共数据库和现实世界患者的H&E染色全片图像的分析.
在ImageNet2012上微调的视觉转换器 (ViT) 模型的开发.
使用ViT模型预测总生存率 (OS) 和无疾病生存率 (DFS),并计算患者的风险得分.

主要成果

修改后的ViT模型实现了高预测准确度,测试组中的C指数为0.79 (OS) 和0.82 (DFS).
模型产生的风险得分与患者的生存率有显著的相关性,较高的得分表明预后较差.
该模型在训练和测试组中表现出强的OS和DFS预测AUC为0. 813- 0. 849.

结论

深度学习模型,特别是改进的ViT网络,可以有效地从胰腺癌病理幻灯片中提取预后信息.
从模型中得出的可解释风险得分为预后评估和临床风险分层提供了一种新方法.
这项研究强调了将人工智能驱动的数字病理学整合到现有的临床诊断中,以改善胰腺癌的治疗.

关键词:

机器学习胰腺癌个性化医疗风险分数视觉变压器