最近，有研究人员基于卷积神经网络（CNN）对原发性肿瘤组织进行了分析，开发了一种新的数字生物标志物来预测淋巴结转移（LNM）。
研究人员选择了接受前列腺根治性切除术的218例患者（102名N+；116名N0）的苏木精-伊红（HE）染色原发肿瘤玻片，这些患者的Gleason评分、肿瘤大小、静脉侵袭、嗜神经侵袭和年龄均匹配，这些患者用于训练CNN和评估其预测淋巴结状态的能力。
研究人员用同样的数据训练了10个模型，平均接收者操作特征曲线下面积（AUROC）为0.68（95%CI：0.678-0.682），平均平衡准确率为61.37%（95%CI：60.05-62.69%）。平均灵敏度和特异性分别为53.09%（95%CI：49.77-56.41%）和69.65%（95%CI：68.21-71.1%）。这些结果通过交叉验证得到了证实。在来自N+样本的图像切片上，LNM预测的概率得分显著更高（平均N+概率得分：0.58±0.17 vs N0概率得分：0.47±0.15，p=0.0016）。在多变量分析中，CNN的概率评分（OR 1.04‰，95%CI：1.02-1.08，p=0.04）和淋巴血管入侵（OR 11.73，95%CI：3.96-35.7，p<0.0001）证明是LNM的独立预测因子。
最后，研究人员指出，基于CNN的图像分析作为一种潜在的新型低成本方法，可直接从HE组织学中提取相关的预后信息来预测前列腺癌患者的淋巴结状态。该技术可能有助于改善淋巴结状态的预测。
原始出处：
Frederik Wessels， Max Schmitt， Eva Krieghoff-Henning et al. Deep learning approach to predict lymph node metastasis directly from primary tumor histology in prostate cancer. BJU Int. Mar 2021