用于预测黑色素瘤中哨戒淋巴结转移的深度学习临床名录混合
Minh-Khang Le1, Masataka Kawai1, Tetsuo Kondo1
1Department of Pathology, University of Yamanashi, Yamanashi, Japan.
Journal of the European Academy of Dermatology and Venereology : JEADV
|September 3, 2025
概括
一个新的混合模型,MISSLE,使用细胞病理学和临床数据准确预测黑色素瘤转移到淋巴结. 这种工具有助于对入侵性黑色素瘤患者的哨戒淋巴结活检做出决定.
科学领域:
- 癌症学
- 计算病理学
- 医疗信息学
背景情况:
- 黑色素瘤是一种危险的皮肤癌,
- 在黑色素瘤中预测哨戒淋巴结转移 (SLNM) 对患者管理至关重要,但使用计算方法尚未得到充分探索.
- 现有的机器和深度学习模型主要专注于黑色素瘤诊断,而不是SLNM预测.
研究的目的:
- 开发一个协作机器和深度学习模型,整合组织病理学和临床数据,用于预测侵袭性黑色素瘤的SLNM.
- 加强关于哨戒淋巴结活检 (SLNB) 的临床决策.
主要方法:
- 使用H&E染色的整片图像从78个侵袭性黑色素瘤病例开发了一个集群受约束的注意力多个实例学习 (CLAM) 模型.
- 使用ResNet50编码器 (CLAM-R50) 并将其与临床名录集成.
- 使用后勤回归,SVM和梯度提升创建了一个混合模型,命名为Sentinel淋巴结评估的黑色素瘤指示得分器 (MISSLE).
主要成果:
- CLAM- R50的AUROC值为0. 875;临床名录的AUROC值为0. 826.
- 在测试组中,MISSLE混合动力模型表现出优异的性能,AUROC为0.950.
- 注意地图确定了与SLNM状态相关的特定细胞特征.
结论:
- MISSLE有效地整合了他的病理和临床数据,以高准确度预测SLNM,优于以前的方法.
- 这种模型是治疗黑色素瘤的临床决策的重要工具.
- 由于单中心和队列的局限性,需要在不同的队列中进行未来验证.
