使用深度学习和瘤和边缘区域数字病理学的软组织肉瘤的预后预测

科学领域:

• 数字病理学数字病理学
• 在瘤学瘤学.
• 人工智能在医学中的应用

背景情况:

• 法国原体疾病委员会联合会 (FNCLCC) 的组织学等级是软组织肉瘤 (STS) 的主要预后因素.
• 然而,FNCLCC等级在完全识别可能发生转移性复发的高风险患者方面存在局限性.

研究的目的:

• 开发和验证一种深度学习 (DL) 模型,用于预测转移性软组织肉瘤 (STS) 的无复发生存率 (MFS).
• 评估DL模型的预后价值,使用数字血素和色染色全片图像.

主要方法:

• 对来自两个癌症中心的308名STS患者进行了回顾性分析.
• 监督多实例学习卷积神经网络模型被训练在不同的瘤区域 (中心,外围,边缘).
• 用单变量和多变量考克斯回归分析评估模型性能,并与FNCLCC分级进行比较.

主要成果:

• 使用瘤中心 (DL-C),外围 (DL-P) 和它们的组合 (DL-CP) 的DL模型始终与MFS相关.
• 在多变量分析中,DL模型的高风险得分被证实是MFS的独立预测因素.
• 与FNCLCC分级相比,DL-CP模型显示出更高的预后准确性,在验证队列中c指数≥0.74.

结论:

• 专注于瘤中心和周边的深度学习模型在软组织肉瘤中提供了显著的预后价值.
• 这些DL模型提供了一种简化和有效的方法,用于使用数字病理学进行风险分层.
• 基于数字病理学的DL模型可以提高STS患者转移性复发无存活率的预测.