多模组深度学习框架集成多相CT和本病理整体幻灯片成像,用于预测ccRCC中复发的情况

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 病理学 病理学 病理学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 清细胞细胞癌 (ccRCC) 是一种具有不良预后的侵袭性癌症,需要准确的风险分层.
• 当前的预后评估通常需要多模式数据,因为放射性图像有局限性,而病理图像提供微观层次的细节.
• 整合放射学和病理学数据对于改善ccRCC结果的预测至关重要.

研究的目的:

• 开发和验证深度学习 (DL) 融合模型,使用多相CT图像和全幻灯片图像 (WSI) 来用于ccRCC患者的术后风险分层.
• 为了比较不同DL融合模型在预测手术后无病生存期 (DFS) 的表现.
• 评估开发的DL模型的临床实用性和预后潜力.

主要方法:

• 一项回顾性研究包括274名ccRCC患者,多相CT扫描和组织病理学确认.
• 队列被分为训练 (164名患者) 和测试 (110名患者) 组.
• 包括CT和病理学相互指导融合诊断网络 (CPNet) 在内的深度学习模型使用CT图像和WSI进行了开发和验证,以预测DFS.
• 模型性能使用精度 (ACC),接收器操作特征 (ROC) 曲线分析,综合歧视改进 (IDI) 和决策曲线分析 (DCA) 来评估.

主要成果:

• 作为CPNet的一个组成部分的PCP-Pathology Fuse模型实现了最高的AUC0.8363和准确率75.45%,优于其他融合模型.
• 在ccRCC患者中,CPNet模型在预测术后DFS方面表现优异.
• IDI和DCA证实了基于PCP的模型的显著净益处,表明其临床实用性.
• 该模型的性能与使用三相CT和病理数据的模型相似.

结论:

• 基于PCP的CPNet模型对预测ccRCC患者的术后DFS显著有前途.
• 这种DL融合模型可以作为ccRCC的潜在生物成像预后标志物.
• 建议进行外部验证,以支持该预后工具的临床整合.