سرطان روده بزرگ یکی از علل اصلی مرگ‌ومیر ناشی از سرطان در سطح جهان است. پیش‌بینی دقیق بقا برای تعیین استراتژی درمانی ضروری است، اما مدل‌های بنیادی آسیب‌شناسی ویژگی‌های اختصاصی اندام را که برای پیش‌آگهی حیاتی هستند نادیده می‌گیرند.
مورفدیستیل چارچوبی دومرحله‌ای است که دانش مکمل را از چندین مدل بنیادی آسیب‌شناسی در یک کدگذار فشرده و اختصاصی سرطان روده بزرگ تصفیه می‌کند. در مرحله نخست، یک کدگذار دانش‌آموز با استفاده از تقطیر رابطه‌ای چند‌معلمی بدون وابستگی به بعد و منظم‌سازی کنتراستیو نظارتی بر مجموعه داده‌های بزرگ‌مقیاس روده بزرگ آموزش می‌بیند. این روش روابط بین نمونه‌ای را از ده مدل بنیادی بدون تراز صریح ویژگی‌ها حفظ می‌کند. در مرحله دوم، کدگذار ویژگی‌های سطح پچ را از تصاویر کل‌لیز استخراج می‌کند. این ویژگی‌ها از طریق یادگیری چندگانه مبتنی بر توجه برای پیش‌بینی بقای پنج‌ساله تجمیع می‌شوند.
بر روی مجموعه داده Alliance/CALGB 89803 با ۴۲۴ بیمار در مرحله سوم سرطان روده بزرگ، مورفدیستیل به AUC حدود ۰.۶۸ دست یافت. این مقدار بهبود نسبی تقریباً ۸ درصدی نسبت به بهترین خط پایه با AUC حدود ۰.۶۳ نشان می‌دهد. شاخص C برابر ۰.۶۶۱ و نسبت خطر ۲.۵۲ با فاصله اطمینان ۹۵ درصد از ۱.۷۳ تا ۳.۶۵ ثبت شد. تمام خط‌پایه‌ها از نظر آماری شکست خوردند.
بر روی مجموعه داده خارجی TCGA با ۵۶۲ بیمار، شاخص C حدود ۰.۶۲۸ به دست آمد. این نتایج تعمیم‌پذیری قوی در مجموعه داده‌های مختلف و استحکام در زیرگروه‌های بالینی متنوع را تأیید می‌کند.
گفتگو