Nature Communications|EBVNet：深度学习引领胃癌诊断新纪元，精准预测EBV状态

病理医师

Nature Communications|EBVNet：深度学习引领胃癌诊断新纪元，精准预测EBV状态



点击上方蓝字关注（联系方式见文末）







葩米学术即日起提供医疗科研专用人工智能GPU服务器方案，涵盖大模型、图像合成、多模态、影像组学等，专为科研需求定制服务器解决方案。葩米学术，为科研加速！
在期刊《Nature Communications》上发表文章《A deep learning model and human-machine fusion for prediction of EBV-associated gastric cancer from histopathology》，描述了一项旨在利用深度学习模型和人机融合技术来预测与EB病毒（Epstein-Barr virus）相关的胃癌。在研究中，科学家们开发了一种深度学习算法，能够从组织病理学图像中识别出与EB病毒相关的特征。此外，还引入了人机融合的策略，将人工智能的分析能力与病理学专家的经验相结合，从而提高诊断的准确性和效率。这种综合方法有助于改进胃癌的检测和诊断流程，提供更为精确的医疗服务。



01
引言
文章介绍了Epstein-Barr病毒相关性胃癌（EBVaGC）的特性以及其对免疫检查点抑制剂的显著治疗反应，强调了快速、经济地识别患者EBV感染状态的必要性。为弥补现有鉴别方法的局限，研究团队开发了一种名为EBVNet的深度卷积神经网络，旨在增强EBVaGC诊断的准确性。该网络通过与病理学家的诊断经验相结合，探索了一种结合深度学习和病理图像分析的新型诊断工具。文章的创新点在于通过技术与临床经验的融合，推进更加精准的胃癌诊断方法。研究不仅对EBVaGC的诊断具有重要意义，还为个性化治疗方案的制定提供科学依据，进而改善患者的治疗效果与生存率。文章将详细描述EBVNet的开发过程、实验设计、结果分析和性能表现，并将其与病理学家的诊断能力进行比较，提供胃癌早期诊断与精准治疗的新视角和技术支持。
02
EBVNet模型介绍

• 研究模型架构：
  

• 文章介绍了一个创新的深度学习模型，称为EBVNet，用于预测胃癌（GC）患者中的Epstein-Barr病毒（EBV）状态。
  

<li data-pid="Ld2svJIf">组成模块及功能：

• 深度学习模型：EBVNet是基于深度学习的分类器，能够从H&E染色的组织病理学切片中自动预测EBV状态。
  
• 个体分类器：五个训练有素的个体分类器，它们的输出在输出层被组合成EBVNet。这些分类器可能基于不同的深度学习架构（如VGGNet16、ResNet18等）。
  
• 集成模型：通过平均五个个体分类器的输出概率，得到EBVNet的预测结果。这种方法有助于提高模型的稳定性和准确性。
  

<li data-pid="1vn9hQKv">工作流程：

• 数据输入：首先，将H&E染色的组织病理学切片作为输入数据。
  
• 特征提取：深度学习模型（如EBVNet）自动从切片中提取与EBV状态相关的形态学特征。
  
• 分类预测：个体分类器对这些特征进行分类，并输出EBV状态的概率。
  
• 集成预测：将五个个体分类器的输出概率进行平均，得到最终的EBV预测概率。
  
• 结果输出：根据集成模型的预测结果，判断切片中的EBV状态。
  

该文章还进一步开发了一种简单而有效的人机融合策略，将EBVNet模型整合到普遍使用的测试范式中，以探索深度学习模型在临床实践中的应用场景。



模型架构示意图
03
研究结果

该文章中的研究结果：

• EBVNet模型的性能：
  

• 在内部验证集（Internal-STAD）上，EBVNet的受试者工作特征曲线下面积（AUROC）表现出色。
  
• 在两个外部验证集（MultiCenter-STAD和TCGA-STAD）上，EBVNet的AUROC均显著高于所有参与的六位病理学家（P<0.001），显示出其优越的预测性能。
  

<li data-pid="4lorTgyG">与病理学家的比较：

• EBVNet的敏感性高于所有病理学家，而特异性略低。但凭借其高敏感性，EBVNet更适合作为筛选工具，用于选择需要进一步确认EBV测试的患者。
  
• 无论是初级、高级还是专家级别的病理学家，与EBVNet的融合预测（即结合EBVNet和病理学家的预测）均提高了诊断性能，AUROC值均高于EBVNet单独使用时。
  

<li data-pid="MYPKohXi">EBVNet的泛化能力：

• 研究表明，EBVNet的诊断性能受EBVaGC比例的影响较小，在不同比例的EBVaGC数据集中均表现出稳定的性能。
  

<li data-pid="iQXV2bya">人机融合策略的有效性：

• 研究提出了一种简单而有效的人机融合策略，基于EBVNet和病理学家的预测不确定性来融合两者的预测结果。
  
• 这种融合策略在两个外部验证集上都显著提高了诊断性能，AUROC值高于EBVNet或病理学家单独使用时。
  

<li data-pid="f37KSlTT">模型解释性：

• 尽管深度学习模型通常被视为“黑箱”，但研究者通过构建逻辑回归模型来识别与EBVNet预测相关的特征，为模型提供了一定的透明度。
  

EBVNet与病理学家在两个外部数据集上的诊断性能对比



EBVNet与各病理学家在两个外部数据集上的预测融合表现
综上所述，该文章的研究结果表明，EBVNet是一个准确且有效的工具，可用于预测胃癌患者的EBV状态，并且与病理学家的融合预测可以进一步提高诊断性能。
04
研究意义

• 推动胃癌诊断技术的进步：
  

• 文章介绍的EBVNet模型为胃癌（GC）患者的Epstein-Barr病毒（EBV）状态预测提供了一种创新的方法。这种基于深度学习的模型能够从H&E染色的组织病理学切片中自动提取特征并进行分类，有助于提高诊断的准确性和效率。
  

<li data-pid="tdTQAU94">提升医疗决策的精准性：

• EBVNet模型的应用有助于医生更准确地判断胃癌患者的EBV状态，从而制定更个性化的治疗方案。这对于提高治疗效果、减少不必要的检测以及改善患者预后具有重要意义。
  

<li data-pid="yTpsm7e2">促进人机融合策略的发展：

• 研究中提出的人机融合策略结合了深度学习模型和病理学家的诊断优势，进一步提高了诊断的准确性。这种策略为医疗领域的人机协作提供了新的思路和方法，有助于推动医疗智能化的发展。
  

<li data-pid="MHKXnj_B">增强学术界对胃癌研究的关注：

• 文章的发表引起了学术界对胃癌研究的更多关注，特别是关于EBV与胃癌关系的研究。这有助于推动相关领域的深入研究，为胃癌的预防、诊断和治疗提供更多的科学依据。
  

<li data-pid="kpbwULOD">促进科研合作与知识共享：

• 文章的发表促进了科研人员之间的合作与交流，有助于共享最新的研究成果和技术方法。这种合作与交流有助于推动全球范围内的科研进步和创新。
  

<li data-pid="Zx6IhUwp">为胃癌患者带来福音：

• 从长远来看，EBVNet模型的应用以及人机融合策略的发展有望为胃癌患者带来更好的治疗效果和生存质量。这对于提高患者的生活水平和延长生存期具有重要意义。
  

葩米学术即日起开创[学者自荐专栏]，欢迎优秀成果自荐，免费推广宣传！葩米学术，为科研加速！

关于葩米学术

葩米AI—专注于医疗大模型科研、影像组学与人工智能算法的科研探索者。我们面向医疗场景致力于AI科研算法服务，专注于将前沿人工智能技术融入医学研究和临床应用，产品包括面向医生的影像组学科研平台，医疗多模态大数据中心以及医疗AI大模型研发平台。联系我们，开启您的医疗AI科研之旅，一起成为医疗AI的探路者。
https://u.wechat.com/ED-0nv-ETCI5WUMiiz74-8o?s=2 (二维码自动识别)


科研合作请联系

原文地址：https://zhuanlan.zhihu.com/p/18741800667