深度学习用于预后分层和生物标志物探索上道泌尿道癌:一个多中心的回顾性队列研究

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 上道泌尿道癌 (UTUC) 是具有侵略性的,需要比传统方法更好的预后工具.
• 目前的工商联合会风险分层缺乏客观性和可解释性,阻碍了个性化治疗策略.
• 需要先进的病理评估系统来提高UTUC患者的治疗结果.

研究的目的:

• 开发和验证一个以先前知识为导向的深度学习系统,用于UTUC精确的预后评估.
• 从全幻灯片图像中整合多尺度的病理特征,以改善整体生存预测.
• 为了确定新的AI衍生的定量病理生物标志物用于UTUC风险分层.

主要方法:

• 一项多中心的回顾性研究,涉及805名UTUC患者,这些患者接受了激进脏切除术.
• 开发一个深度学习系统,利用UCSegNet进行组织细分和CONCH进行瘤补丁分类.
• 训练预后网络 (MacroContextNet,PGCA-Net) 以使用综合病理特征和AI衍生的生物标志物预测整体生存率.

主要成果:

• 与MacroContextNet和现有模型相比,PGCA-Net模型显示出更好的预后性能 (C指数:0.672-0.795).
• PGCA-Net有效地将患者分为高风险和低风险组,具有对整体存活的显著危险比率 (HR:4.93-9.38).
• 七个AI衍生生物标志物得到了验证,高瘤肌肉 (Coloc_M,HR高达5.06) 和瘤关膜 (Coloc_R,HR高达4.52) 联合定位得分表明死亡风险增加.

结论:

• 开发的深度学习系统显著改善了UTUC的整体生存预测和风险分层.
• 这种由人工智能驱动的可解释工具为预后评估和生物标志物发现提供了客观的方法.
• 该系统具有强大的潜力,可以完善个性化的UTUC管理,提高预后准确性.