導(dǎo)語(yǔ)

淋巴結(jié)狀態(tài)是預(yù)后標(biāo)志物，對(duì)結(jié)直腸癌 (CRC) 的治療決策有很大影響。

  背景介紹

近幾年深度學(xué)習(xí)一直是研究熱點(diǎn)，今天小編為大家?guī)��?lái)的這篇文章，研究了  通過(guò)深度學(xué)習(xí)模型從常規(guī)組織學(xué)切片和臨床數(shù)據(jù)中提取的圖像特征是否可用于預(yù)測(cè) CRC 淋巴結(jié)轉(zhuǎn)移 (LNM)。文章發(fā)表在《European Journal of Cancer》上，影響因子為9.162，文章題目為  Deep learning can predict lymph node status directly from histology in colorectal cancer。  

  數(shù)據(jù)介紹 

本研究在模型訓(xùn)練與內(nèi)部驗(yàn)證時(shí)使用的患者 隊(duì)列來(lái)自DACHS （Darmkrebs: Chancen der Verhu¨tung durch Screening）研究，外部驗(yàn)證使用的數(shù)據(jù)集來(lái)自TCGA。其中包括了來(lái)自DACHS 研究的 2003 年至 2014 年間診斷的2431 名患者和來(lái)自TCGA 研究的1998 年至 2013 年間診斷582 名患者（圖1）。

圖 1

  結(jié)果解析 01  

 基于幻燈片的人工智能預(yù)測(cè)器（SBAIP）的構(gòu)建與性能   本研究的深度學(xué)習(xí)架構(gòu)選擇了在 Nvidia Clara 的 CAMELYON16 挑戰(zhàn)中的 H&E 染色幻燈片上預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò) (CNN) ResNet18，其中， 在 CNN 提取的瓦片特征上訓(xùn)練了一個(gè)線性分類(lèi)器，并對(duì)所有瓦片得分進(jìn)行平均，以獲得每位患者的單個(gè)得分。本研究管道的簡(jiǎn)化概述如圖 2 所示。

圖 2

如圖三所示，圖像分類(lèi)器在內(nèi)部測(cè)試集上達(dá)到了 71.0%的 AUROC。在外部測(cè)試集上，AUROC 為 61.2%。

圖 3

02   臨床分類(lèi)器的構(gòu)建與性能   作為“臨床基線”，本研究根據(jù)患者關(guān)于年齡、性別、T 分期、腫瘤位置（結(jié)腸/直腸）和側(cè)向性（遠(yuǎn)端/近端）的數(shù)據(jù)進(jìn)行了邏輯回歸分析，為了實(shí)現(xiàn)第一項(xiàng)研究的最大數(shù)據(jù)可用性和準(zhǔn)確性，本研究最終使用了結(jié)腸癌和直腸癌的病理 T 分期信息（pT 分期）而不是臨床 T 分期（cT 分期）。 如圖四所示，本研究純粹基于包括 T 分期在內(nèi)的患者數(shù)據(jù)的臨床分類(lèi)器在內(nèi)部測(cè)試集上產(chǎn)生了 67.0%的 AUROC，在外部測(cè)試集上達(dá)到了相似甚至更好的 AUROC 71.1%，說(shuō)明臨床分類(lèi)器的性能很穩(wěn)健。

圖 4

03   組合分類(lèi)器（SBAIP+臨床分類(lèi)器）的構(gòu)建與性能   本研究 建立了邏輯回歸模型，包含與之前描述的臨床分類(lèi)器中相同的患者數(shù)據(jù)，并額外整合了 SBAIP 患者評(píng)分，分別對(duì)臨床分類(lèi)器和臨床數(shù)據(jù)與SBAIP評(píng)分的組合建立L1正則化logistic回歸模型(“clinical”、“clinical +SBAIP”、“ClinicalwoT”、“ClinicalwoT+SBAIP”、“T stage+SBAIP”)。。 當(dāng)使用組合分類(lèi)器時(shí)，本研究獲得了最佳性能。 在內(nèi)部測(cè)試集上，組合模型的 AUROC 為 74.1%（表 1，圖 3），其外部性能與臨床分類(lèi)器相當(dāng)（AUROC 70.5%）， 從患者數(shù)據(jù)中省略 T 階段信息會(huì)導(dǎo)致分類(lèi)器 (clinicalwoT) 在兩個(gè)測(cè)試集上的性能都顯著下降。

表 1

  小編總結(jié) 

本研究使用了最近比較熱門(mén)的深度學(xué)習(xí)構(gòu)建了結(jié)腸癌的淋巴結(jié)預(yù)測(cè)模型，盡管結(jié)果的AUC值并不高，但由于思路新穎，仍然達(dá)到了9+的高度。本研究中使用的數(shù)據(jù)與思路均值得我們?cè)谌蘸蟮难芯恐薪梃b！