Multicentric evaluation of an artificial intelligence model to stratify stage II colon cancer patients from whole slide images.
Notice bibliographique
Résumé
3612 Background: Stage II colon cancer (IIA T3N0; IIB T4aN0; IIC T4bN0) represents nearly 25% of all colon cancers and includes a wide range of outcomes (5-year overall survival rate (OS) of 58.4% to 87.5%). We aim to test if a deep-learning-based analysis of whole slide histology images (WSI) can predict survival and highlight the most relevant morphologic characteristics underlying prognosis. Methods: We identified adult stage II colon cancer cases from the multimodal Cancer Genome Atlas (TCGA) and retrospective consecutive cases diagnosed between 2014-2019 (inclusive) from two independent centers (CHUM, Canada and IHP, France; IRB approved). We tested on these two independent datasets, an artificial intelligence (AI) algorithm trained on TCGA, using a cross-validation and cross-testing (80:20) framework. The model relies on a weakly-supervised attention-based pipeline that extracts survival driven histologic features from H&E WSI and assigns a risk score for each patient. The concordance index (c-index) was used as the primary outcome metric. Further testing of the survival score was performed with a multivariate Cox regression model. The stratification of the cohorts based on the risk scores was evaluated using Kaplan-Meier curves and log-rank test. 95% confidence intervals (CI) are provided. An adjusted two-tailed P value <0.05 was considered significant. The specific morphologic characteristics involved in the AI outcomes are under analysis. Results: The Discovery TCGA cohort consisted of n=463 colon cancer patients; 5-year OS: 68.7% (CI: 60.0%-75.9%). The external validation cohorts included (1) from CHUM, n=124 patients, 5-year OS: 67.0% (CI: 58.0%-75.0%), and (2) from IHP, n=123 patients, 5-year OS: 55.6% (CI 45.0%-67.0%). Cross-validation and testing yielded a c-index of 0.72 and 0.68 respectively, 0.67 for CHUM and 0.65 for IHP cohorts. After external validation, patients with a 'low-risk' score showed significantly higher 5-year OS than patients with a 'high-risk' score: CHUM: 75.0% (CI: 64.0%-84.0%) vs 53.0% (CI 38.0%-67.0%), P<0.05; and IHP 65.0% (CI: 44.0%-80.0%) vs 34% (CI: 21.0%-46.0%), P<0.01. Cox regression showed a significant effect of WSI-based survival score on 5-year OS: TCGA cohort HR=8.3 (CI: 3.1-12.8), P<0.001; CHUM: 7.6 (CI 2.7-21.8), p<0.005; IHP: 5.5 (CI 2.1-16.8), P<0.005. Conclusions: AI-based risk scoring for stage II colon cancer consistently correlated with 5-year OS across multiple independent cohorts, achieving good performances. These findings highlight the potential of modern computational pathology methods requiring minimal supervision to improve risk stratification of stage II colon cancer and patient care.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».