Sci Rep：肺癌病理图像综合分析发现预测生存结局的肿瘤形态和边界特征
2018-07-13 xiangting MedSci原创
这项研究为肿瘤形态与患者预后之间的关联提供了新的见解。
病理图像可以高分辨率捕获肿瘤的组织形态学细节。然而，对病理图像中肿瘤区域进行人工检测和表征耗费劳力，并且主观性强。
研究人员使用深度卷积神经网络（CNN），开发了一种用于肺癌病理图像的自动肿瘤区域识别系统。从确定的肿瘤区域，研究人员提取了22个定义明确的形状和边界特征，并发现其中15个与全国肺部筛查试验中肺腺癌患者的生存结局显著相关。在独立的患者队列中建立了基于肿瘤区域形状的预后模型并进行了验证（n=389）。预测高风险组的生存率显著低于低风险组（p值= 0.0029）。在调整年龄、性别、吸烟状况和分期后，预测风险组可作为独立的预后因素（高风险组vs.低风险组，风险比= 2.25,95％CI 1.34-3.77，p值= 0.0022）。
这项研究为肿瘤形态与患者预后之间的关联提供了新的见解。
原始出处：
Shidan Wang, et al. Comprehensive analysis of lung cancer pathology images to discover tumor shape and boundary features that predict survival outcome. Sci Rep. 10 July 2018.
本文系梅斯医学(MedSci)原创编译整理，转载需授权！
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
学习一下
62