图像特征与患者预后的相关性预测

DS图像中存在一些不能被人类视觉识别的微细客观特征，但这些特征却可以在ML算法中被识别，所以，ML算法可以以超出DS图像中组织学特征信息的方式使用，从而扩大了基于DL的图像分析的应用范围。ML算法可以用于提取DS图像中大量的特征。例如，ML最常用的经典图像分析不仅可以用于识别组织图像中形成组织学中人眼视觉能够辨认的原始特征的客观目标如细胞核、肿瘤细胞、淋巴细胞、血管，甚至是细胞之间的间质等，当这些从DS图像中提取的组织学特征与患者的其他临床特征如对特定治疗的反应等相关联时，便能够开发出可以从图像的组织学特征预测这些反应的算法。例如，Beck等检查了一个包括6642个经过精心设计的代表乳腺癌上皮细胞和间质特征的大型定量特征集并将这些特征与患者预后进行相关性比较［228］。结果显示，他们发现了一些间质的形态特征可以成为乳腺癌独立的预后因素。多项前瞻性多中心研究进一步证实了其良好的预后性能［230-232］。另外，一个DL模型在预测肝细胞癌术后生存方面比使用临床和病理因素的综合评分具有更高的准确性。而且，在使用不同染色和扫描方法验证外部数据集的性能后，该模型具有良好的推广应用价值［233］。因此，除协助病理医师进行辅助诊断决策外，CPATH辅助工具对肿瘤预后综合判断的重要性正在逐渐被病理医师、临床医师和患者等许多方面的人们所认识并接受，希望在肿瘤患者的治疗选择和临床管理中尽早发挥其超越人类视觉范围的作用。(https://www.daowen.com)