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