集体学习用于预测结直肠癌中的微卫星不稳定性,使用治疗前结直肠镜图像和临床数据
Jia You1, Shenghan Zhang2, Jianjie Zhang1
1Nanjing Hospital of Chinese Medicine Affiliated to Nanjing University of Chinese Medicine, Nanjing, Jiangsu, China.
这项研究开发了一种非侵入性集体学习框架,使用结肠镜图像和临床数据来预测结肠直肠癌 (CRC) 中的微卫星不稳定性 (MSI). 该模型准确地识别MSI状态,改善手术前诊断和临床决策.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 医疗成像医学成像
背景情况:
- 微卫星不稳定性 (MSI) 是结直肠癌 (CRC) 的关键生物标志物,可预测预后和对免疫治疗的反应.
- 目前的MSI测试方法 (IHC,PCR) 是侵入性的和资源密集的.
- 对于MSI检测的非侵入性和自动化替代品有着至关重要的需求.
研究的目的:
- 在CRC中开发和验证一个集体学习框架,用于在CRC中进行非侵入性MSI预测.
- 整合治疗前结肠镜图像和常规临床数据,以提高诊断准确度.
- 建立一个更容易获得和更有效的方法来确定MSI地位.
主要方法:
- 一项回顾性研究包括1,844名已知MSI状态的CRC患者.
- 深度学习模型 (VGG-16) 分析了结肠镜图像;机器学习模型 (逻辑回归) 分析了临床数据.
- 一个组合模型结合了图像和临床数据,使用多数投票进行MSI预测.
主要成果:
- VGG-16在图像数据上获得了0.896的AUROC;在临床数据上,物流回归获得了0.898的AUROC.
- 整体模型整合了这两种模式,结果为AUROC为0.886,具有高精度 (0.920) 和回忆 (0.845).
- 整体方法在MSI预测准确性方面表现优于单一模式模型.
结论:
- 开发的集体学习框架为结直肠癌中MSI预测提供了一种非侵入性,可解释和准确的方法.
- 这种方法有可能显著改善手术前精确诊断.
- 它可以帮助CRC患者做出更好的临床决策.
相关概念视频
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
06:01A Genetically Engineered Mouse Model of Sporadic Colorectal Cancer
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
03:19Generating PDOX Mouse Model of Colorectal Cancer: Studying Progression of Colorectal Cancer in a Murine Model
06:19Isolation of Circulating Tumor Cells in an Orthotopic Mouse Model of Colorectal Cancer


