一个多类分类算法基于血素-素染色用于直肠癌的新辅助疗法:一项回顾性研究

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 人工智能在医学中的应用

背景情况:

• 新辅助疗法 (NAT) 对局部发达的直肠癌至关重要.
• 目前NAT响应的预测模型仅限于二元分类 (病理完整响应 - pCR).
• 临床风险分层要求对治疗反应进行多类预测 (TRG0-3).

研究的目的:

• 开发和验证一种多类分类器,用于预测直肠癌病理新辅助疗法反应.
• 将患者分为三个不同的响应组:TRG0 (pCR),TRG1/2 (中度/最小响应) 和TRG3 (反应不佳).
• 使用可解释的AI技术,识别与治疗反应相关的关键病理特征.

主要方法:

• 使用ResNet (残余神经网络) 架构进行图像分析.
• 训练了一个多类分类器在血素-氨酸 (HE) 染色的病理图像上.
• 员工阶级激活映射 (CAM) 来生成视觉热图并识别预测图像特征.

主要成果:

• 达到高的曲线下面积 (AUC) 值:在40倍放大时为0.97,在10倍放大时为0.89.
• 在所有类别中表现出强的性能:TRG0 (精度0.67,灵敏度0.67,特异性0.95),TRG1/2 (精度0.92,灵敏度0.86,特异性0.89),和TRG3 (精度0.71,灵敏度0.83,特异性0.88) 在40x.
• 通过CAM分析确定瘤核和瘤透淋巴细胞作为潜在的预测特征.

结论:

• 这项研究提出了第一个能够预测直肠癌中各种新辅助疗法反应的多类分类器.
• 开发的模型提供了比二进制pCR预测更好的风险分层.
• 这些发现强调了人工智能驱动的病理图像分析对于个性化直肠癌治疗的潜力.