在多中心研究中,从肺腺癌组织学中预测淋巴结转移的定制变压器

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 数字组织病理学 数字组织病理学

背景情况:

• 准确的淋巴结转移 (LNM) 评估对于肺腺癌 (LUAD) 阶段和治疗至关重要.
• 目前病理样本采集的局限性导致约10%的LUAD患者被归类为PNx,这阻碍了精确的分期.
• 现有的LNM预测方法通常依赖于成像或分子数据,而基因病理全幻灯片图像 (WSIs) 尚未得到充分探索.

研究的目的:

• 介绍CTMIL,一个定制的基于变压器的多实例学习框架,用于直接从主要LUAD WSIs预测LNM.
• 用内部和外部验证队列对现有方法进行CTMIL模型的性能评估.
• 探索CTMIL模型在识别与转移相关的组织病理特征方面的可解释性.

主要方法:

• 开发CTMIL,一个基于变压器的多实例学习框架.
• 在320个TCGA LUAD案例上使用ResNet50,InceptionResNetV2和UNI骨干的补丁级特征进行三种CTMIL模型的培训.
• 内部验证80个持有病例,外部验证两个独立的队列 (XY队列:149个病例,RM队列:164个病例).

主要成果:

• 在外部验证队列中,CTMIL模型的表现始终优于基于关注的,TransMIL和基线的方法.
• 性能最好的模型UNI_CTMIL实现了接收器运行特征曲线 (AUROC) 下的面积为0.8640 (验证),0.8216 (XY队列) 和0.8090 (RM队列).
• 解释性分析显示,UNI_CTMIL专注于转移性特征,如微毛囊模式,粘素,差异化和高瘤细胞密度等.

结论:

• CTMIL展示了直接从WSIs中准确,基于组织学的LUAD中LNM预测的显著潜力.
• 该模型识别转移性特征的能力为其预测机制提供了洞察力.
• CTMIL为改善LNM评估提供了一个有前途的工具,有可能解决pNx病例中的挑战,并增强癌症阶段和治疗决策.