您所在的位置: 成果库 基于病理图像的结直肠癌免疫治疗敏感人群识别人工智能模型的构建及验证研究

基于病理图像的结直肠癌免疫治疗敏感人群识别人工智能模型的构建及验证研究

发布时间: 2025-08-26

基本信息

合作方式： 技术转让
成果类型： 发明专利
行业领域：
生物与新医药技术,医药生物技术
成果介绍
在本研究中我们建立了一个多源结直肠癌病理全切片图像（WSI）队列，包含POLE突变（n=129）、MSI-H（n=142）和MSS&TMB-L（微卫星稳定且肿瘤突变负荷低）（n=235）病例。基于该队列，我们训练了一个基于注意力机制的深度学习模型（CLAM模型），并通过交叉验证和外部验证验证了其识别MSI-H和POLE突变的能力。为了解决数据来源多样性的分布偏差问题，我们开发了CDA-CLAM模型，他采用对抗训练方式，结合了一个与切片分类器同时训练的领域鉴别器。切片分类器专注于与分子分类任务相关的最有信息量且不受领域影响的特征。领域鉴别器识别不同数据源之间的领域特征，用以确定输入特征的领域。这种方法有效消除了领域特定特征的干扰，促进了稳健的诊断特征提取，并在数据集偏差存在的情况下仍保持较高的诊断性能。
成果亮点
本研究中我们开发了结合跨域对齐和对抗训练的基于注意力的CLAM-CDA模型，并比较了原始CLAM和CDA-CLAM模型的性能。在将微卫星不稳定型与POLE致病性突变结直肠癌作为一个整体进行预测二分类任务的内部验证中，基于POLE数据集训练的CDA-CLAM模型取得了0.9543的AUC（95% CI: 0.9376-0.9710），与基于POLE数据集训练的CLAM模型（AUC = 0.9568，95% CI: 0.9404-0.9733）相当。两者均显著优于基于BCH-POLE数据集训练的CLAM模型（AUC = 0.8517，95% CI: 0.8185-0.8850）。此外，在POLEex数据集的外部验证中，CDA-CLAM模型的AUC为0.8676（95% CI: 0.7687-0.9665），显著高于基于POLE数据集训练的CLAM模型（AUC = 0.8193，95% CI: 0.7006 - 0.9381）（p = 0.044）。
团队介绍
南京医科大学（Nanjing Medical University），位于江苏省南京市，是教育部、中华人民共和国国家卫生健康委员会、江苏省人民政府共建高校和江苏高水平大学建设高校，是国家“双一流”建设高校、第一批卓越医生教育培养计划项目试点高校、高水平公共卫生学院建设高校、国家建设高水平大学公派研究生项目实施高校、国家“特色重点学科项目”建设高校、中国政府奖学金来华留学生接收院校、江苏省高层次人才培养计划“333工程”培训基地、长三角医学教育联盟创始成员。
成果资料