RCC文献月评第六期——专家领读肾癌领域最新文献及研究进展( 三 )


目的:在本项研究中开发并评估了一种可预测ccRCC患者预后的多模态深度学习模型(MMDLM) 。
实验设计与参与者:将非转移和转移性ccRCC患者分为两组:(1)第一组是癌症基因图谱组(TCGA组) , 包括来自TCGA数据库的230名ccRCC患者 。 (2)第二组是美因茨组(外部验证组) , 包括来自美因茨大学医学中心的18名ccRCC患者 。 应用MMDLM模型对每一名患者的组织病理学显微图像数据、CT/MRI影像数据以及外显子组测序基因组数据都进行了综合处理与分析 。
结果验证和与统计分析:结果验证包括Harrell的一致性指数(C-index)和预测5年生存状态的各种性能参数(5YSS) 。 使用了多种可视化技术使模型更易被理解 。
结果:MMDLM对ccRCC患者预后的预测效果较好 , 患者平均C-index为0.7791 , 平均准确率为83.43% 。 与单一来源数据相比 , 对多来源的数据进行综合分析具有更好的结果 。 另外 , MMDLM的预测是一个优于其他临床参数的独立预后因素 。
结论:多模态深度学习有助于ccRCC患者预后的预测 , 并可能有助于指导该疾病的临床管理 。
总结:基于人工智能的计算机程序可以同时分析各种医疗数据(组织病理学显微图像数据、CT/MRI影像数据以及外显子组测序基因组数据) , 从而预测肾癌患者的生存时间 。

RCC文献月评第六期——专家领读肾癌领域最新文献及研究进展
文章图片
【专家点评】
肾癌是泌尿系统致死率最高的恶性肿瘤 , 目前临床上有一些可以预测ccRCC患者预后的实用工具 , 包括加州大学洛杉矶分校的综合分期系统(UISS)和国际转移性肾癌数据库联盟的风险模型(IMDC)等 , 但是这些工具包含的信息有限并且使用操作繁琐 。 这项来自美因茨大学医学中心病理研究所的研究开发了一个基于人工智能(AI)的多模态深度学习模型(MMDLM) , 其可以同时分析各种医学数据 , 包括CT/MRI图像 , 基因组数据和医学显微图像等 , 从而预测ccRCC患者的生存时间 。 该模型的优势主要体现在:1.整合了多种的组织病理学和放射学影像资料以及经全外显子组测序的遗传信息 , 尽可能利用更多的信息进行分析提高模型预测的准确率;2.该模型可将ccRCC患者分为低风险或高风险 , 在预测患者预后的同时还可指导患者的后续医疗方案;3.模型还具有可视化技术可直观显示相关结果 。
随着科技的发展 , AI已经运用到了我们生活的方方面面 。 目前“AI+医疗”已成为了越来越多的研究聚焦点 。 这项研究向我们展示了AI深度学习通过大批量地处理高维数据在预测ccRCC患者预后中的优势 。 当然 , 目前AI在肿瘤领域的应用尚处于初步探索阶段 , 其具体应用还有待不断深入研究 。

RCC文献月评第六期——专家领读肾癌领域最新文献及研究进展
文章图片
图3:患者队列、临床示例和MMDLM概述

RCC文献月评第六期——专家领读肾癌领域最新文献及研究进展
文章图片
图4:MMDLM在ccRCC中对预后预测的评估
参考文献:
1.ChadTang,PavlosMsaouel,KiekoHara,etal.Definitiveradiotherapyinlieuofsystemictherapyforoligometastaticrenalcellcarcinoma:asingle-arm,single-centre,feasibility,phase2trial.TheLancetOncology,2021.22(12):1732-1739.
2.C.Ciccaresea,etal.EfficacyofVEGFR-TKIsplusimmunecheckpointinhibitorsinmetastaticrenalcellcarcinomapatientswithfavorableIMDCprognosis.CancerTreatmentReviews100(2021)102295.
3.Schulz,Stefan,etal.MultimodalDeepLearningforPrognosisPredictioninRenalCancer.Frontiersinoncology11(2021):788740
点评专家介绍
副主任医师 , 医学博士 , 硕士研究生导师
国家公派访美学者
中山大学孙逸仙纪念医院泌尿外科肿瘤亚专科副主任