软件定义数智病理← 返回文章列表本研究基于患者接受初次干预治疗的前2周内接受的全腹部MRI构建模型，对患者是否对铂类药物敏感进行预测。同时，此次研究还对比了基于原发灶影像的模型和基于全腹部影像的模型，探索了肿瘤微环境对肿瘤相关分析的重要性。 研究中的样本来自中山大学孙逸仙纪念医院从2011年1月至2020年1月的93名病例，样本均满足以下条件： 主要终点是无铂间隔（PFI），根据PFI将卵巢癌患者分为两组：铂类抵抗（PFI<6个月）和铂类敏感（PFI≥6个月）。次要终点是无进展生存期（PFS），为从初始干预的第一天到疾病有进展或到被追踪的最后一个无疾病进展日的时长。 基于深度学习的可迁移特性，研究人员在模型构建过程中，首先通过一个在多个医疗影像公开数据集上预训练的3D-ResNet网络对MRI数据进行特征提取，随后将特征数据进行压缩降维，最后将特征输入SVM网络构建获得最终的分类模型。 在一个对比实验中，基于原发灶的模型在验证集上的AUC为0.81（95%CI，0.65-0.97），而基于全腹部的模型在验证集上AUC达到0.98 (95%
CI,0.93–1.00)（图1）。 另一个对比实验中，使用5-fold交叉验证来观察模型的稳定性，基于原发灶的模型AUC为0.71（95%CI，0.56-0.86），而基于全腹部的模型AUC为0.97
(95% CI, 0.92–1.00)（图2）。 
随后，Kaplan-Meier分析进一步证明全腹部模型与无进展生存期（PFS）之间的强烈关联（图3）。根据决策函数值（图3左）生成最优临界值并将患者分为高风险组和低风险组（HR
0.12；95% CI 0.03–0.41；P
<001）（图3右）。为了进一步证实全腹部模型在预测预后方面的价值，研究人员探索了该模型和1年与2年PFS的关联（图4）。ROC曲线表明，该模型与1年PFS有强烈关联，而与2年PFS的关联性显著下降，也许是由于时间越长有更多额外的影响因素加入。 
最后，通过对模型做进一步分析，可以观察到高度活跃的区域集中在（A）原发性肿瘤，（B）围绕腹主动脉和下腔静脉的淋巴结肿大，（C）结肠转移和（D）肠系膜重叠。（图5）
本研究表明，深度学习可以为上皮性卵巢癌（EOC）的铂类敏感性预测提供新的思路，基于MRI的预后标志物与PFI高度相关。研究还指出了EOC血管密度、肿瘤微环境和铂敏感性之间的潜在关系，并揭示了深度学习在促进未来临床和基础研究方面的潜力。
深度学习MRI图像对上皮性卵巢癌患者铂敏感性的预测
2022-12-07近日，赛维森科技与中山大学孙逸仙纪念医院合作的研究成果《 Deep learning magnetic resonance imaging predicts platinum sensitivity in patients with epithelial ovarian cancer 》在 Frontiers in Oncology 公开发表。
经病理证实的EOC； 在初始治疗中接受顺铂/卡铂化疗（≥4个周期）或由于原发性铂类难治性药物而转换化疗方案； 接受初次减瘤手术（PDS）或间隔减瘤手术（IDS）（残留病<1厘米）。