化疗后PN计算有助于为患者提供生存预后。例如，PN为99%表明99%的肿瘤已经死亡，这表明化疗是有效的，患者的生存几率提高了。病理学家通过观察、解释和注释全片图像(wsi)来计算PN，全片图像是将标本(骨组织)的薄片放在载玻片上进行显微镜分析。
“计算PN是一个劳动密集型的过程，需要来自肌肉骨骼病理学家的大量注释数据，”该研究的第一作者之一、约翰霍普金斯医学院骨科外科住院医师Christa LiBrizzi医学博士说。此外，它具有较低的观察者之间的可靠性，这意味着两个试图从相同的wsi计算PN的病理学家通常会报告不同的结论。由于这些因素，我们认为尝试通过其他方法计算PN是值得的。”
该团队试图开发一种“弱监督”机器学习模型，这种模型需要最少的注释数据来进行训练。以这种方式训练模型意味着使用该模型计算患者PN的肌肉骨骼病理学家只需要向其提供部分注释的wsi，从而减少了病理学家的劳动负担。
首先，研究小组从约翰霍普金斯大学美国三级癌症中心的病理档案中收集了包括wsi在内的数据。所有数据均来自2011年至2021年间在骨中心接受化疗和手术的髓内骨肉瘤患者。
然后，该团队让肌肉骨骼病理学家在每个收集到的wsi上部分注释三种类型的组织:活性肿瘤，死亡肿瘤和非肿瘤组织。病理学家还估计了每位患者的PN。利用这些信息，团队开始训练模型。
“我们决定通过教模型识别图像模式来训练它，”该研究的第一作者之一、约翰霍普金斯大学医学院生物医学工程博士生王珍珍说。
“我们将wsi分成数千个小块，然后根据病理学家对它们的标记方式将这些小块分成几组。最后，我们将这些分组的patch输入到模型中进行训练。我们认为这将给模型提供一个更强大的参考框架，而不是简单地给它一个大的WSI，冒着只见树木不见森林的风险。”
经过训练后，模型和肌肉骨骼病理学家分别从2例骨肉瘤患者中获得6个wsi进行解释。结果显示，模型与病理学家的PN计算和组织标记之间有85%的正相关。该模型并不总是正确地标记软骨，这导致了一个异常值，因为一个WSI上有丰富的软骨。当去除了异常值后，相关性增加到99%。
LiBrizzi说:“如果这个模型得到验证和生产，它可以帮助加快对患者化疗效果的评估，从而更快地获得预后估计。”“这将降低医疗成本，并减轻肌肉骨骼病理学家的劳动负担。”
在未来的研究中，该团队的目标是将软骨组织纳入模型的训练中，并使wsi多样化，以包括髓内以外的其他类型的骨肉瘤。
这项研究发表在《骨科研究杂志》上。
更多信息:Christa L. LiBrizzi等，弱监督机器学习在骨肉瘤患者坏死评估中的应用:一项试点研究，Journal of Orthopaedic Research(2023)。DOI: 10.1002 / jor.25693引用本文:研究人员创建机器学习模型来计算骨肉瘤患者的化疗成功率(2023,11月2日)检索自https://medicalxpress.com/news/2023-11-machine-chemotherapy-success-patients-osteosarcoma.html此文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
