首页 > 文章详情

2023 ESMO Asia中国之声｜人工智能与医学研究相结合：多模态数据融合的多任务3D深度学习模型用于乳腺癌无病生存期预测

2023年11月28日

编译：肿瘤资讯

来源：肿瘤资讯

由欧洲肿瘤内科学会主办的2023年欧洲肿瘤内科学会亚洲年会 (ESMO ASIA) 将于2023年12月1日至3日在新加坡召开。大会涵盖多领域前沿进展，是亚太地区肿瘤学领域展示最新成果和突破性进展的高质量平台！近日，会议官方正式公布了最新口头报告的部分摘要。在乳腺癌专题简短口头汇报中, 中山大学孙逸仙纪念医院研究团队公布了一项多中心研究：多模态数据融合的多任务3D深度学习模型用于改善乳腺癌风险分层，【肿瘤资讯】特此整理了摘要内容，以飨读者。

摘要号：3MO

讲者：Wei Ren（中山大学孙逸仙纪念医院）

中文标题：多模态数据融合的多任务3D深度学习模型用于改善乳腺癌风险分层：一项多中心研究

原标题：Multimodal data fusion for improved risk stratification of breast cancer with multi-task 3D deep learning model: A multicenter study

研究背景

乳腺癌患者的及时干预和预后改善依赖于早期转移风险的检测和准确的治疗预测。本研究旨在开发一种创新性的基于MRI多模态数据融合的多任务3D深度学习模型，使人工智能创新与医学研究相结合。

研究方法

这项开创性的多中心研究纳入了1244名非转移性乳腺癌患者，他们被分入训练队列（n = 456）、内部验证队列（n = 113）、外部测试队列1（n = 432）和外部测试队列2（n = 198）。通过一种创新的多模态方法将临床病理数据与深度学习MRI见解相结合，产生了多任务3D深度学习模型（3D-MMR模型），该模型旨在进行肿瘤分割和无病生存期（DFS）预测。其有效性以肿瘤分割准确度指标和DFS预测曲线下面积（AUC）值来进行评价。可视化技术揭示了决策的过程，将模型预测与肿瘤微环境相关联。

研究结果

3D-MMR模型表现出了高度的预测准确性，并显著提升了DFS。4年DFS预测的AUC值分别在训练队列、内部验证队列、外部测试队列1和外部测试队列2中升至0.98、0.97、0.90和0.93。此多模态模型展示了高风险评分与低风险评分患者之间DFS的显著差异（所有P <0.001）。此外，决策曲线分析强调了多模态模型在所有队列中在广泛的阈值概率范围内产生了更好的净效益，这意味着多模态模型为早期DFS预测增加了实质性的临床价值。此外，高风险评分患者在肿瘤附近或远处区域显示出集中的热点，并且显示出了抗原呈递细胞的增加。

研究结论

本研究引入了一种变革性的乳腺癌预测方法，将影像学和临床数据相融合，提高了预测准确性，因此对于制定个性化的治疗策略具有潜在价值。

参考文献

Wei Ren, Yunfang Yu, Wenhao Ouyang, et al.Multimodal data fusion for improved risk stratification of breast cancer with multi-task 3D deep learning model: A multicenter study.2023 ESMO ASIA Abstract 3MO.

责任编辑：肿瘤资讯-Paine
排版编辑：肿瘤资讯-张薪媛

与全世界的肿瘤医生一起交流→

查看详情