深度学习支持的线粒症依赖于整个幻灯片图像:在临床工作流程中验证乳腺癌分级的试点研究

科学领域:

• 数字病理学和瘤学中的计算分析.
• 组织病理学和癌症分级方法.
• 人工智能在医学诊断中的应用.

背景情况:

• 乳腺癌 (BC) 的预后受到组织病理学等级的显著影响.
• 布鲁姆-理查德森 (BR) 评分系统的诺丁汉修改是BC的标准.
• 线粒细胞计数 (MC) 是BR分级的关键组成部分,是主观的,容易变化.

研究的目的:

• 通过使用数字整片图像 (WSI) 与人工智能 (AI) 辅助和无人工智能 (AI) 辅助,与传统光显微镜 (LM) 进行比较.
• 评估数字MC的差异对最终的BR等级变化的影响程度.
• 验证人工智能算法在日常实践中由病理学家监督使用.

主要方法:

• 选择了50名BC患者,进行了配对的核心活检和切除.
• 使用光显微镜 (LM-MC),数字整片图像 (WSI-MC) 和人工智能辅助WSI (AI-MC) 评估了线粒细胞计数 (MC).
• 分析了不同MC模式之间的相关性和一致性 (Cohen's κ) 以及它们对最终BR等级的影响.

主要成果:

• 在活检和切除 (R2值从0.77到0.95) 中,在所有MC模式 (LM-MC,WSI-MC,AI-MC) 之间观察到强烈的相关性.
• 在不同的MC评估方法中,在最终的BR等级上发现了很高的一致性 (科恩的 κ值在0.73到0.96之间).
• 人工智能辅助的WSI-MC与LM-MC表现出强烈的相关性和一致性,表明性能可比或更好.

结论:

• 基于数字WSI的MC评估,特别是当人工智能协助时,显示出与传统LM-MC的高度相关性和一致性.
• 人工智能算法已被验证用于病理学家监督的使用,这表明它在BC分级的日常实践中具有实用性.
• 人工智能辅助的数字MC计数似乎不低于LM-MC,可以可靠地为准确的BC预后做出贡献.