基于机器学习的病理学签名用于结肠直肠癌中围神经侵入
Tianyi Pu1,2, Jiazheng Sun1, Jian Yue3
1Department of Breast and Thyroid Surgery, Chongqing Key Laboratory of Molecular Oncology and Epigenetics, The First Affiliated Hospital of Chongqing Medical University, Chongqing, China.
概括
一个新的机器学习模型使用基因病理特征准确地检测结直肠癌 (CRC) 中的围神经侵入 (PNI). 这种PNI检测提高了诊断效率,并识别了预后较差的患者.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 计算生物学 计算生物学
背景情况:
- 周围神经侵入 (PNI) 是结直肠癌 (CRC) 的显著预后标志物,与不良临床结果相关.
- 目前对PNI的诊断方法缺乏基于病理学的既定机器学习模型.
- 需要增强的诊断工具来提高CRC中的PNI检测效率.
研究的目的:
- 开发和验证一种机器学习模型,用于使用基因病理特征在CRC中预测PNI.
- 在培训,测试和外部验证队伍中评估开发模型的诊断性能.
- 调查CRC中PNI的临床病理学意义.
主要方法:
- 用血素和素染色的CRC组织病理幻灯片的回顾性分析.
- 使用CellProfiler自动提取形态特征.
- 通过LASSO算法选择特征,并使用机器学习模型开发诊断分类器,包括LightGBM.
- 使用曲线下的面积 (AUC) 度量来评估模型性能.
主要成果:
- 从430个CRC幻灯片中提取了615个组织病理特征,其中10个由LASSO选择.
- 轻GBM模型显示了高的诊断准确性,AUC为0.996 (训练),0.935 (测试) 和0.918 (外部验证).
- 在CRC中PNI显著与更高的T阶段,增加淋巴结转移和更频繁的淋巴血管入侵有关.
结论:
- 开发的LightGBM模型有效地提高了结直肠癌中PNI检测的诊断效率.
- 通过机器学习分析的组织病理特征可以可靠地预测PNI.
- 在结直肠癌患者中,PNI是预后不佳的关键指标.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.4K
10:33Molecular Profiling of the Invasive Tumor Microenvironment in a 3-Dimensional Model of Colorectal Cancer Cells and Ex vivo Fibroblasts
Published on: April 29, 2014
11.5K