多模态病理学和临床特征预测儿科骨髓母细胞瘤的切割后永久性水头
Weitao Zhong1, Zelin Li1, Siyuan Lv1
1Neurosurgery Center, Department of Pediatric Neurosurgery, The National Key Clinical Specialty, Guangdong Provincial Key Laboratory on Brain Function Repair and Regeneration, Zhujiang Hospital, Southern Medical University, Guangzhou, 510280, China.
Journal of neuro-oncology
|October 31, 2025
概括
深度学习病理学与临床数据相结合,显著改善了儿科脑髓母细胞瘤患者的水脑风险预测. 这种多模式的方法增强了风险分层,使个性化管理和更好的患者结果成为可能.
科学领域:
- 神经瘤学神经瘤学
- 数字病理学数字病理学
- 机器学习在医学中的应用
背景情况:
- 根据当前的临床因素,预测儿科骨髓母细胞瘤的手术后脑很困难.
- 准确的风险分层对于有效的患者管理和改善结果至关重要.
研究的目的:
- 评估深度学习 (DL) 病态特征是否可以提高儿科骨髓母细胞瘤中术后持久性水脑风险的预测.
- 为了比较临床,病态和多式模式的头风险分层的表现.
主要方法:
- 分析了90名儿科脑髓母细胞瘤患者的队列,数据分为训练和验证集.
- ResNet-18模型从H&E染色的幻灯片中提取了定量病理学特征.
- 三种后勤回归模型 (临床,病态,多式联络) 被开发并使用ROC和精度回忆曲线进行评估.
主要成果:
- 多模式模型 (临床+病理) 显示出优异的预测性能,在验证组中AUC为0.849和平均精度为0.816.
- 该研究发现,28.8%的患者需要CSF转移永久性水头.
- 多式模式显著改善了风险分层,显示了预测高风险 (37.7%) 和低风险 (89.5%) 组之间的3年无脑水生存率显著差异 (P < 0.001).
结论:
- 将深度学习衍生的病态特征与临床数据相结合,显著提高了儿科脑髓母细胞瘤中手术后脑水风险分层.
- 这种改进的风险分层化为这些年轻患者提供了个性化的管理策略.
- 这些发现表明,通过先进的预测建模,最终可以改善患者的治疗结果.
