可解释的多模式深度学习在多中心队列中改善了肝脏内胆管癌的术后风险分层

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:

• 手术切除是肝脏内胆管癌 (ICC) 的首要治疗方法.
• 在ICC中,高的术后复发率构成了重大的临床挑战.
• 准确预测复发对于有效的患者管理至关重要.

研究的目的:

• 开发一种可解释的深度学习管道,用于预测肝脏内胆管癌的术后复发.
• 整合多式联络数据,包括临床,放射性和组织病理信息.
• 通过空间多组学来生物学验证模型的预测.

主要方法:

• 开发基于变压器的深度学习管道.
• 临床变量,放射性特征和全幻灯片病理图像的整合.
• 预训练编码器与变压器网络的融合.
• 利用空间转录组学和蛋白质组学进行生物验证.

主要成果:

• 该模型在预测三个独立验证队伍的2年总生存期方面表现强.
• 实现了高的曲线下面积 (AUC) 值,表明了强大的预测准确性.
• 空间多omics分析显示,模型的注意力集中在与瘤入侵和攻击性行为相关的区域.

结论:

• 一个新的,可解释的多模式深度学习框架被开发用于肝脏内胆管癌.
• 该框架为ICC患者实现了优越的术后风险分层.
• 该模型的生物验证为推动其预测的机制提供了洞察力.