200
评论
查看更多
密码过期或已经不安全，请修改密码
修改密码
壹生身份认证协议书
同意
拒绝
同意
拒绝
同意
不同意并跳过
2024年1月25-27日，2024年度美国临床肿瘤学会泌尿生殖系统肿瘤研讨会（2024 ASCO GU）于美国旧金山召开。为传播前沿进展、把握研究动向、促进领域发展，中国医学论坛报特举办“2024 ASCO GU中国医学论坛报学术联播·前沿快评”系列专题，邀请领域专家对大会重点研究进行解读点评。现编译整理大会重点研究摘要，一览前沿。
研究标题：Predicting clinical outcomes in the S1314-COXEN trial using a multimodal deep learning model integrating histopathology, cell types, and gene expression.
中文标题：使用整合组织病理学、细胞类型和基因表达的多模态深度学习模型预测S1314-COXEN试验的临床结果
准确预测对新辅助化疗（NAC）的反应对优化肌层浸润性膀胱癌（MIBC）的治疗结果至关重要。本篇研究提出了一个尖端的多模态深度学习模型，旨在从可访问的H&E图像和分子数据中预测NAC的结果。
我们设计了一个基于图像的多模态后期融合（GMLF）深度学习模型，该模型集成了来自S1314-COXEN临床试验的三种类型的数据：
1）通过ResNet50架构生成182张全载玻片图像（WSIs）的神经嵌入。
2) 基于形态学的细胞类型，包括癌细胞、坏死细胞、免疫细胞和基质细胞，以及它们在肿瘤微环境中的空间位置，使用HoVer-Net框架（用于预测细胞类型的多分支卷积神经网络）从WSIs中提取。
3）患者水平的RNA表达数据来源于1071维基因表达载体。
数据集随机划分，80%使用5倍交叉验证（5-fold CV）方法用于模型训练，20%用于内部验证。
我们的数据集包括180例患者的182份WSIs信息，这些患者随机接受吉西他滨-顺铂或剂量密集的甲氨蝶呤-长春花碱-阿霉素-多柔比星-顺铂治疗。
所有患者中，30.8%显示出完全病理学缓解（根治性膀胱切除术后pT0）。我们的GMLF模型用5倍交叉验证预测患者是否对NAC显示出完全病理学缓解方面的AUROC为0.7417±0.1021。使用80/20的训练和验证分割，模型实现了0.7236的AUROC。
有趣的是，我们的模型强调了从WSIs收集的空间信息的作用。在选择组织学分支的最佳结构时，基于图像神经网络的载玻片图像框架的AUROC为0.6938±0.0565，显著优于次优的切块水平模型（AUROC为0.5572±0.1793）。SHAP （Shapley Additive Explanation）分析显示RNA表达分支的影响最大，平均SHAP值为0.13，其次是神经嵌入，平均SHAP值为0.12。基于SHAP的解释确定了影响模型可预测性的最重要的表达基因，包括TP63。
我们的基因集分析确定了预测治疗反应的最具影响力的通路，包括基质分化和肌成纤维细胞富集（P值，0.05）。
我们的GMLF预测模型通过整合HE图像和RNA表达数据，准确预测了MIBC患者的NAC反应。模型解释不仅揭示了每种模式的重要性，也揭示了MIBC对NAC反应的组织病理学、细胞学和分子基础。这些发现打开了人工智能引导的MIBC精确疗法开发的大门。
查看更多
中国医学论坛报
壹生
今日肿瘤
今日循环
今日糖尿病
今日口腔
全科周刊
脱贫地区农副产品网络销售平台
京公网安备 11010202008182号
| 互联网新闻信息服务许可证编号：10120190017