9+！通过深度学习从结直肠癌的组织学中预测淋巴结状态

导语

淋巴结状态是预后标志物，对结直肠癌 (CRC) 的治疗决策有很大影响。

  背景介绍

近几年深度学习一直是研究热点，今天小编为大家带来的这篇文章，研究了  通过深度学习模型从常规组织学切片和临床数据中提取的图像特征是否可用于预测 CRC 淋巴结转移 (LNM)。文章发表在《European Journal of Cancer》上，影响因子为9.162，文章题目为  Deep learning can predict lymph node status directly from histology in colorectal cancer。  

  数据介绍 

本研究在模型训练与内部验证时使用的患者 队列来自DACHS （Darmkrebs: Chancen der Verhu¨tung durch Screening）研究，外部验证使用的数据集来自TCGA。其中包括了来自DACHS 研究的 2003 年至 2014 年间诊断的2431 名患者和来自TCGA 研究的1998 年至 2013 年间诊断582 名患者（图1）。

图 1

  结果解析 01  

 基于幻灯片的人工智能预测器（SBAIP）的构建与性能   本研究的深度学习架构选择了在 Nvidia Clara 的 CAMELYON16 挑战中的 H&E 染色幻灯片上预训练的卷积神经网络 (CNN) ResNet18，其中， 在 CNN 提取的瓦片特征上训练了一个线性分类器，并对所有瓦片得分进行平均，以获得每位患者的单个得分。本研究管道的简化概述如图 2 所示。

图 2

如图三所示，图像分类器在内部测试集上达到了 71.0%的 AUROC。在外部测试集上，AUROC 为 61.2%。

图 3

02   临床分类器的构建与性能   作为“临床基线”，本研究根据患者关于年龄、性别、T 分期、肿瘤位置（结肠/直肠）和侧向性（远端/近端）的数据进行了逻辑回归分析，为了实现第一项研究的最大数据可用性和准确性，本研究最终使用了结肠癌和直肠癌的病理 T 分期信息（pT 分期）而不是临床 T 分期（cT 分期）。 如图四所示，本研究纯粹基于包括 T 分期在内的患者数据的临床分类器在内部测试集上产生了 67.0%的 AUROC，在外部测试集上达到了相似甚至更好的 AUROC 71.1%，说明临床分类器的性能很稳健。

图 4

03   组合分类器（SBAIP+临床分类器）的构建与性能   本研究 建立了逻辑回归模型，包含与之前描述的临床分类器中相同的患者数据，并额外整合了 SBAIP 患者评分，分别对临床分类器和临床数据与SBAIP评分的组合建立L1正则化logistic回归模型(“clinical”、“clinical +SBAIP”、“ClinicalwoT”、“ClinicalwoT+SBAIP”、“T stage+SBAIP”)。。 当使用组合分类器时，本研究获得了最佳性能。 在内部测试集上，组合模型的 AUROC 为 74.1%（表 1，图 3），其外部性能与临床分类器相当（AUROC 70.5%）， 从患者数据中省略 T 阶段信息会导致分类器 (clinicalwoT) 在两个测试集上的性能都显著下降。

表 1

  小编总结 

本研究使用了最近比较热门的深度学习构建了结肠癌的淋巴结预测模型，尽管结果的AUC值并不高，但由于思路新颖，仍然达到了9+的高度。本研究中使用的数据与思路均值得我们在日后的研究中借鉴！