以先前知识为导向的多式联络深度学习系统,用于生物标志物探索和预测尿癌的预后
Quanhao He1, Hao Tan1, Bangxin Xiao1
1Department of Urology, The First Affiliated Hospital of Chongqing Medical University, Chongqing, PR China.
NPJ digital medicine
|December 26, 2025
概括
这项研究引入了一种新的人工智能系统,用于预测泌尿腺癌 (UC) 的存活率,整合多模式数据以提高准确性. 人工智能框架通过识别新的预后生物标志物来增强患者管理.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 精确预测尿路细胞癌 (UC) 的存活率对于患者管理至关重要,但由于缺乏整合多式联络数据和先前知识的AI系统,这一点受到限制.
- 现有的模型通常依赖于单一的数据类型,阻碍了全面的预后评估.
研究的目的:
- 开发和验证一种多式深度学习系统,用于准确预测尿路细胞癌存活率.
- 将组织病理学,放射学和结构病理学文本数据与先前知识相结合,以提高预后能力.
主要方法:
- 开发了一种多式深度学习系统,整合了组织病理学,放射学和结构化病理学文本.
- 整合了先前的知识,以改善瘤细分和以知识为导向的幻灯片表示.
- 使用CTContextNet和MacroContextNet进行放射和宏观预后信息,通过IM-NCTNet集成.
主要成果:
- 以知识为导向的预后系统在多中心验证中实现了高性能,C指数分数从0.809到0.867.
- 鉴定了与肌肉和膜透模式相关的新型预后生物标志物.
- 高风险组 (Coloc_M,Coloc_R,IMTS) 显示死亡风险显著增加 (HR 2.47-16.38).
结论:
- 拟议的AI框架通过整合多式联络数据和先前知识,为尿路癌的预后提供了一个强大的工具.
- 该系统通过更准确的生存预测和新型预后生物标志物的识别来增强患者管理.
- 这种方法表明了人工智能在推进UC精密瘤学的潜力.
