深度学习超光谱病理学用于预测清细胞脏细胞癌的复发
Xulei Wang1, Wenshi Tian1,2, Yihan Zhao1
1Department of Urology, The First Affiliated Hospital of Shandong First Medical University & Shandong Provincial Qianfoshan Hospital, Shandong Institute of Nephrology, Jinan, China.
Journal of biophotonics
|December 15, 2025
概括
超光谱病理成像与深度学习相结合,准确预测清细胞细胞癌 (ccRCC) 的复发. 这种方法识别了关键的光谱特征,使得这种侵袭性癌症患者的术后风险分层精确.
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:
- 清细胞细胞癌 (ccRCC) 是最常见和最具攻击性的癌亚型.
- 在ccRCC中瘤异质性使得癌症复发的准确预测变得复杂.
- 现有的方法难以准确预测ccRCC复发风险.
研究的目的:
- 评估高光谱病理成像 (HSI) 与深度学习相结合的疗效,以进行个性化的ccRCC复发风险预测.
- 开发一种人工智能驱动的工具,以改善ccRCC手术后的患者分层.
主要方法:
- 在ccRCC患者幻灯片上进行过高光谱成像 (400-1000nm).
- 一个深度学习模型 (HSI-FusionNet) 使用2D/1D卷积来提取空间和光谱特征.
- 多重实例学习 (MIL) 用于患者级复发预测.
主要成果:
- HSI-FusionNet显示出高的预测性能 (AUC=0.912,灵敏度=0.881,特异性=0.846). 在此过程中,HSI-FusionNet显示出高的预测性能 (AUC=0.912,灵敏度=0.881,特异性=0.846).
- 该模型的性能优于其他深度学习架构,如ResNet-50和1D-CNN.
- 与血红蛋白和脂质原蛋白含量相关的特定光谱带,与复发相关.
结论:
- 超谱成像和深度学习提供了ccRCC复发的准确识别.
- 这项技术揭示了与ccRCC相关的关键分子代谢特征.
- 这些发现支持基于HSI的深度学习用于ccRCC患者的精确风险分层.
