多模式深度学习模型用于通过对比增强计算机断层扫描和组织病理学预测结直肠癌中的微卫星不稳定性
Kai Tang1, Ruiling She2, Guangyuan Chen2
1Department of Radiology, The Third Affiliated Hospital, Southern Medical University (Academy of Orthopedics, Guangdong Province), 183 Zhongshan Da Dao Xi, Guangzhou, Guangdong 510630, China; School of Biomedical Engineering, Southern Medical University, Guangzhou, China; Guangdong Provincial Key Laboratory of Medical Image Processing, Southern Medical University, Guangzhou, Guangdong, China; Guangdong Province Engineering Laboratory for Medical Imaging and Diagnostic Technology, Southern Medical University, Guangzhou, Guangdong, China.
European journal of radiology
|October 16, 2025
概括
一个新的深度学习模型整合了CT扫描和病理图像,准确地预测了结直肠癌 (CRC) 中的微卫星不稳定性 (MSI) 状态. 这种融合模型 (F-VP-PathDL) 显示出强的性能,有助于CRC患者分层和治疗决策.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 微卫星不稳定性 (MSI) 是预测结直肠癌 (CRC) 免疫治疗反应的关键生物标志物.
- 准确的MSI状态预测对于CRC患者个性化治疗策略至关重要.
- 整合成像和组织病理学数据具有非侵入性MSI预测的潜力.
研究的目的:
- 开发和验证一种多式深度学习 (DL) 模型,用于预测结直肠癌 (CRC) 中的MSI状态.
- 该模型整合了手术前的对比增强计算机断层扫描 (CECT) 和术后的整片图像 (WSI).
- 评估开发的融合模型的通用性和临床可扩展性.
主要方法:
- 一项回顾性多中心研究包括305名CRC患者,他们接受了CET和WSI.
- 使用EfficientNet-b0 (PathDL) 和ResNet 101 (VPDL) 架构构建了深度学习模型.
- 一个融合模型 (F-VP-PathDL) 使用自适应残余网络集成了CECT和WSI的功能.
主要成果:
- 在外部测试组中,F-VP-PathDL模型实现了0.905的AUC,优于单模模式模型.
- 外部测试组的性能指标包括准确度 (84.2%),灵敏度 (80.3%),特异性 (83.7%) 和F1得分 (0.837).
- 该模型在不同中心展示了强大的通用性.
结论:
- F-VP-PathDL模型提供了一个临床可扩展的工具,用于在结直肠癌中准确预测MSI.
- 这种多模式的DL方法支持针对性治疗和免疫治疗决策的患者分层.
- 该模型的性能突显了在瘤学中整合成像和病理学数据的潜力.
