开发和验证一种基于机器学习的病理学名录仪,用于预测子宫内膜癌的预后
1Department of Gynecology, Ganzhou People's Hospital, Ganzhou, 341000, Jiangxi, China.
Discover oncology
|December 4, 2025
概括
这项研究开发了一个新的病理学模型,使用常规的H&E幻灯片来预测子宫内膜癌 (EC) 的预后. 该模型准确地将患者分为高风险和低风险组,帮助个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 数字病理学数字病理学
- 生物统计学 生物统计学
背景情况:
- 子宫内膜癌 (EC) 是一种流行的妇科恶性瘤,发病率不断上升,具有复杂的分子特征.
- 开发非侵入性预后工具对于有效的患者管理至关重要.
研究的目的:
- 创建一个具有成本效益的预后模型,用于子宫内膜癌,使用从组织病理图像的病理学特征.
- 评估模型对风险分层的准确性和临床适用性.
主要方法:
- 追溯分析514名子宫内膜癌患者的H&E整片图像 (WSIs) 和临床数据.
- 使用CellProfiler提取728个病理特征,然后通过Cox和LASSO回归进行特征选择.
- 构建和验证预后风险评分和整合病理学和临床变量的名图.
主要成果:
- 确定了一种与整体存活率显著相关的病态特征.
- 高风险组的生存率明显降低 (p < 0.001).
- 该模型表现出强大的预测准确性 (在培训/验证队列中,AUC为0.806和0.782对于3年生存率) 和在纳米图中集成时的良好校准 (AUC为0.791).
结论:
- 一个经过验证的基于病理学的模型从常规的H&E幻灯片准确地预测子宫内膜癌的预后.
- 这种可扩展,低成本的工具支持临床实践中的风险分层和个性化管理.
