基于ai的标志结肠癌治疗可以帮助提高质量

Norwegian-led研究小组开发了一种临床上有用的预后标记使用深度学习和数字扫描常规苏木精和eosin-stained肿瘤组织部分。试验被广泛评价大型独立的患者群体,与和优于建立分子和形态预后标记,并在肿瘤和节点舞台给了一致的结果。

生物标志物分层阶段II和III患者分成足够不同预后组。这个工具有可能指导辅助治疗的选择,避免治疗非常低风险组,同时,确定患者将受益于更密集的治疗方法。

的新方法,该方法检测DoMore-v1-CRC标记,称为histotyping。

验证

12000000多个图像块从明显好还是贫穷疾病患者结果从四个军团被用来训练总共10卷积神经网络专用超大异构分类图像。预后的生物标志物集成10网络确定使用患者non-distinct结果。

研究人员测试了920名患者使用幻灯片准备在英国,根据预定义的独立验证协议的1122名患者用单药卡培他滨治疗使用的幻灯片准备在挪威。所有军团只包括和可切除肿瘤,肿瘤和formalin-fixed,石蜡包埋组织块用于分析。主要结果是癌症特异性生存。

八百28患者从四个军团有截然不同的结果,被用作训练队列获取清晰的地面实况。1645名患者有non-distinct结果和被用于调优。

的生物标志物提供了一个风险比为贫困和预后良好3·84(95%可信区间2·72 - 5·43;p < 0·0001)的主要分析验证队列。在调整了建立预后标记显著的单变量分析相同的队列(pN阶段、pT阶段,淋巴入侵,静脉血管侵犯)是风险比3·04 (2·07-4·47;p < 0·0001)。

减少的数量不清楚预测

癌症的方法可以区分不同阶段和患者之间在平等的阶段,但有不同的预测,使用深度学习和神经网络。与今天的病理方法,多达80%的患者出现了一个不清楚预后。基于ai的新方法,这个数字已经减少到12%。研究人员期望它背后的标志是一个有用的工具的选择治疗。

“我们今天预后的工具,特别是在最常见的癌症,过于粗糙。我们可以更精确的预测,避免过度和处理不足。将重要的病人和临床服务,“说Sigbjørn Smeland,癌症诊所主任奥斯陆大学医院。