临床知情的中间推理使得通过机器学习在有限的环境中实现可概括的前列腺癌预后
Jun Akatsuka1,2, Kotaro Tsutsumi1,3, Mami Takadate1,2,4
1Pathology Informatics Team, RIKEN Center for Advanced Intelligence Project, Tokyo, Japan.
NPJ digital medicine
|December 3, 2025
概括
这项研究引入了一种强大的机器学习方法,用于使用基因病理图像进行前列腺癌预后. 多功能特征提取管道可确保可靠的预测,改进了Gleason分级系统用于处理规划.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 机器学习 (ML) 在医学图像分类方面显示出潜力,但在概括性方面存在困难.
- 对前列腺癌的准确的术前预后对于有效的治疗计划至关重要.
研究的目的:
- 开发一个数据高效和可泛化的机器学习框架,用于从活检样本进行前列腺癌预后.
- 为了改善当前格里森分级系统的局限性.
主要方法:
- 利用了从全山位基因病理图像中多功能特征提取.
- 纳入了一个临床知情的中间推理步骤.
- 在多个机构和样本类型中验证了管道,以解决双域转移.
主要成果:
- 实现了一致的外部验证,证明了强大的通用性.
- 开发的预后方法超过了传统的格里森分级系统.
- 该框架被证明是公平的,可解释的,并且在临床上适用.
结论:
- 拟议的管道使前列腺癌的数据效率高,可靠和可泛化的前外科预后成为可能.
- 这种可解释的框架支持可操作的临床决策,用于预后和治疗规划,即使数据有限.
- 该方法在现实世界的临床环境中提供了格里森分级系统的可靠替代方案.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
05:33Introduction of an Integrated Pathology Image Management, Artificial Intelligence, and Reporting System
Published on: July 11, 2025
752
