学界合作亮相!郑州大学第一附属医院与天津市肿瘤医院等联合在Nature Medicine(IF=83)刊发新研究
论论资讯 | 2024-04-17 |
3180热度
Nature Medicine
Explore content
About the journal
Publish with us
Prediction of tumor origin in cancers of unknown primary origin with cytology-based deep learning
Tian Fei; Liu Dong; Wei Na; Fu Qianqian; Sun Lin; Liu Wei; Sui Xiaolong; Tian Kathryn; Nemeth Genevieve; Feng Jingyu; Xu Jingjing; Xiao Lin; Han Junya; Fu Jingjie; Shi Yinhua; Yang Yichen; Liu Jia; Hu Chunhong; Feng Bin; Sun Yan; Wang Yunjun; Yu Guohua; Kong Dalu; Wang Meiyun; Li Wencai; Chen Kexin; Li Xiangchun
Published:2024-04-16
DOI:10.1038/s41591-024-02915-w
研究背景
近年来,癌症的未知原发部位(Cancer of Unknown Primary,CUP)一直是医学界的难题。这类病例常表现为胸腔和腹腔腔膜渗出,给诊断带来极大挑战。这些医学难题促使了一项新研究,旨在解决这一问题。
研究内容
最新发表在《自然医学》(Nature Medicine)杂志上的研究题为《基于细胞学的深度学习预测未知原发癌症来源》。研究利用了来自四家三甲医院的57,220例病例的细胞学图像,开发了一种名为细胞组织学(TORCH)的深度学习方法,可用于区分肿瘤来源,识别恶性肿瘤,并预测水气胸和腹水中肿瘤的来源。研究者们在三个内部测试组(n = 12,799)和两个外部测试组(n = 14,538)上对其性能进行了检验。在内部和外部测试组中,TORCH在癌症诊断方面的曲线下面积值(AUC)介于0.953到0.991之间,而在肿瘤来源定位方面介于0.953到0.979之间。TORCH能够准确预测原发性肿瘤的来源,其一级准确率达到82.6%,三级准确率达到98.9%。与病理学家的结果相比,TORCH显示出更好的预测效果(1.677与1.265,P < 0.001),显著提高了初级病理学家的诊断得分(1.326与1.101,P < 0.001)。与TORCH预测来源一致的CUP患者,其初始治疗方案的整体生存率明显优于接受不一致治疗的患者(27个月对比17个月,P = 0.006)。研究强调了TORCH作为临床实践中有价值的辅助工具的潜力,尽管仍需要在随机试验中进一步验证。
研究意义
这项研究的创新点在于利用深度学习技术,成功解决了CUP病例的来源鉴别难题,为医学诊断带来了新的突破。TORCH的应用不仅提高了诊断的准确性,还有望改善CUP患者的治疗效果,为医学实践带来了重要的启示。
这篇论文的发表为医学界带来了一丝曙光,展现了深度学习技术在医学诊断领域的潜力。随着这一研究的不断深入,相信未来将会有更多的医学难题得到有效解决,为患者带来更多希望和可能性。
学术热榜
查看全部
相关资讯
换一批