支持深度学习的多光子显微镜可以从常规的FFPE标本中预测结直肠癌复发
Yabing Yang1,2, Chanchan Xiao3,4, Dehua Zou5,6
1Department of Rheumatology and Immunology, The Affiliated Guangdong Second Provincial General Hospital of Jinan University, Guangzhou, China.
NPJ digital medicine
|November 18, 2025
概括
一个新的深度学习模型,MPMRecNet,从标准病理学幻灯片准确预测结直肠癌复发. 该工具有助于早期风险评估和手术后个性化患者治疗计划.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 结肠直肠癌 (CRC) 复发治疗后切除是一个重大的临床挑战.
- 准确预测CRC复发对于患者分层和个性化治疗至关重要.
- 现有的预测工具往往缺乏足够的准确性来进行早期风险评估.
研究的目的:
- 开发和验证一种用于预测结直肠癌复发的新型深度学习模型.
- 为了评估模型的性能,使用多光子显微镜 (MPM) 对组织样本的成像.
- 将模型的预测能力与传统的临床预测器进行比较.
主要方法:
- 开发MPMRecNet,这是一个双流深度学习模型,利用MaxViT编码器和交叉模式的注意力融合.
- 培训和验证来自两个机构的1071名患者的甲固定嵌 (FFPE) 组织截面.
- 使用ROC-AUC和PR-AUC指标的性能评估,以及多变量分析和名录集成.
主要成果:
- MPMRecNet表现出强大的外部验证表现,ROC-AUC为0.849和PR-AUC为0.664. 这一表现显示出强大的外部验证表现.
- 该模型在确定复发风险方面明显优于传统的临床预测指标.
- 多变量分析确定MPMRecNet是最强大的独立预测因子 (OR=5.66,p<0.001);一个组合的名谱实现ROC-AUC为0.872.
结论:
- MPMRecNet提供了一种非破坏性,准确的方法,用于从常规病理幻灯片预测结直肠癌复发.
- 该模型促进了精确的风险分层,并支持加强术后监测策略.
- 这种人工智能驱动的方法有望改善针对结直肠癌治疗的患者的个性化管理.
