通过对医学图像和记录进行预测建模,改善结肠直肠癌查和风险评估

科学领域:

• 在瘤学瘤学.
• 数字病理学数字病理学
• 机器学习 机器学习

背景情况:

• 结肠镜查对于预防结肠直肠癌至关重要,但目前的监测依赖于组织病理学,忽视了其他风险因素.
• 病理学家在多体表征中的变异性使得一致的后续决定变得复杂.
• 数字病理学和深度学习为整合各种数据提供了新的途径,以改善CRC风险预测.

研究的目的:

• 开发和评估一个深度学习模型,用于预测5年CRC进展风险.
• 探索多模式融合策略,将组织病理图像和临床记录结合起来.
• 加强风险分层,以改善患者监测.

主要方法:

• 基于变压器的深度学习模型被调整为组织病理学图像分析,以预测CRC进展.
• 使用了来自新罕布什尔州结肠镜注册表的纵向数据.
• 多模式融合策略集成深度学习图像特征与临床数据.

主要成果:

• 预测中间临床变量改善了5年进展风险预测 (AUC,0.630) 超过直接预测 (AUC,0.615).
• 将全幻灯片成像预测与非成像特征集成,与单独的非成像数据 (AUC,0.666) 相比,产生了更好的性能 (AUC,0.672).
• 综合方法显著优于仅使用非成像临床数据的模型.

结论:

• 整合各种数据模式,包括数字病理学和临床记录,显著提高CRC进展风险分层.
• 计算方法与多模式数据相结合,提供了一种强大的方法来个性化癌症监测.
• 这一战略有望为更准确和更一致的结直肠癌风险评估提供希望.