ترجمه فارسی مقاله ارزیابی مدل‌های بنیادی هیستوپاتولوژی برای پیش‌بینی پاسخ به درمان بواسیزوماب سرطان تخمدان از تصاویر کامل اسلاید

چکیده

Bevacizumab is a widely studied targeted therapeutic drug used in conjunction with standard chemotherapy for the treatment of recurrent ovarian cancer. While its administration has shown to increase the progression-free survival (PFS) in patients with advanced stage ovarian cancer, the lack of identifiable biomarkers for predicting patient response has been a major roadblock in its effective adoption towards personalized medicine. In this work, we leverage the latest histopathology foundation models trained on large-scale whole slide image (WSI) datasets to extract ovarian tumor tissue features for predicting bevacizumab response from WSIs. Our extensive experiments across a combination of different histopathology foundation models and multiple instance learning (MIL) strategies demonstrate capability of these large models in predicting bevacizumab response in ovarian cancer patients with the best models achieving an AUC score of 0.86 and an accuracy score of 72.5%. Furthermore, our survival models are able to stratify high- and low-risk cases with statistical significance (p < 0.05) even among the patients with the aggressive subtype of high-grade serous ovarian carcinoma. This work highlights the utility of histopathology foundation models for the task of ovarian bevacizumab response prediction from WSIs. The high-attention regions of the WSIs highlighted by these models not only aid the model explainability but also serve as promising imaging biomarkers for treatment prognosis.

چکیده به فارسی (ترجمه ماشینی)

Bevacizumab یک داروی درمانی هدفمند مورد مطالعه است که در رابطه با شیمی درمانی استاندارد برای درمان سرطان مکرر تخمدان مورد استفاده قرار می گیرد.در حالی که تجویز آن نشان داده است که بقای عاری از پیشرفت (PFS) را در بیماران مبتلا به سرطان تخمدان در مرحله پیشرفته افزایش می دهد ، عدم وجود نشانگرهای زیستی قابل شناسایی برای پیش بینی پاسخ بیمار ، یک راه اصلی در پذیرش مؤثر آن به سمت پزشکی شخصی بوده است.در این کار ، ما آخرین مدلهای بنیاد هیستوپاتولوژی را که در مجموعه داده های کل اسلاید در مقیاس بزرگ (WSI) آموزش داده شده است ، برای استخراج ویژگی های بافت تومور تخمدان برای پیش بینی پاسخ bevacizumab از WSIS استفاده می کنیم.آزمایش های گسترده ما در ترکیبی از مدلهای مختلف بنیاد هیستوپاتولوژی و استراتژی های یادگیری نمونه چندگانه (MIL) توانایی این مدل های بزرگ را در پیش بینی پاسخ بواسیزوماب در بیماران مبتلا به سرطان تخمدان با بهترین مدل های دستیابی به نمره AUC 0.86 و نمره دقت 72.5 ٪ نشان می دهد.بشرعلاوه بر این ، مدلهای بقا ما قادر به طبقه بندی موارد پرخطر و کم در معرض دید آماری هستند (P <0.05) حتی در بین بیماران با زیرگروه تهاجمی کارسینوم تخمدان سروز درجه بالا.این کار کاربرد مدلهای بنیاد هیستوپاتولوژی را برای وظیفه پیش بینی پاسخ Bevacizumab تخمدان از WSIS برجسته می کند.مناطق با توجه بالا از WSIS که توسط این مدل ها برجسته شده است نه تنها به توضیح مدل کمک می کند بلکه به عنوان نشانگرهای تصویربرداری امیدوار کننده برای پیش آگهی درمان نیز کمک می کند. [sc name="papertranslation"][/sc]