基于机器学习算法的瘤-肌瘤比率可以分层地预测肝脏内胆管癌的预后
Xin Zhang1, Chen-Song Huang1, Xi-Tai Huang1
1Department of Pancreato-Biliary Surgery, The First Affiliated Hospital, Sun Yat-Sen University, Guangzhou, Guangdong, PR China.
The Journal of surgical research
|October 5, 2025
概括
机器学习准确地量化了肝脏内胆固醇癌 (iCCA) 的组成部分. 瘤-肌瘤比率是手术后iCCA患者的关键预后生物标志物,并预测化疗反应.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 生物标志物发现发现
背景情况:
- 彻底手术后肝脏内胆管癌 (iCCA) 的预后需要精细分层.
- 准确量化瘤微环境组件对于理解iCCA行为至关重要.
研究的目的:
- 使用机器学习量化瘤组件,用于iCCA预后.
- 为了确定有效的生物标志物来分层iCCA患者的术后结果.
- 在iCCA中探索辅助化疗反应的预测值.
主要方法:
- 分析了237名经过彻底切除的iCCA患者的队列.
- 一个半自动管道量化了瘤,淋巴细胞和树皮细胞.
- 计算了瘤-肌瘤比率和瘤透淋巴细胞比率,并与生存率 (OS,DFS) 相关联.
主要成果:
- 在iCCA患者中,高筋膜和低瘤透淋巴细胞比率 (%) 与较短的DFS和OS相关.
- 基于机器学习的诺姆图表表现优于现有的分期系统 (AJCC,LSG-Japan).
- 患有低肌瘤比率的患者显示,对DFS和OS的辅助化疗有更大的益处.
结论:
- 通过机器学习量化的瘤-肌瘤比率是iCCA后激进手术的强有力的预后生物标志物.
- 这个比率可以预测iCCA患者对辅助化疗的治疗反应.
- 机器学习为iCCA生物标志物开发和患者分层提供了新的工具.
更多相关视频
07:32Author Spotlight: Investigating Immune Cell Dynamics in the Tumor Microenvironment — Challenges and Innovations in Cancer Prognosis
Published on: April 12, 2024
1.9K
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
489
