基于人工智能的PTEN损失评估作为前列腺癌手术后转移的早期预测:一项多中心回顾性研究
Palak Patel1, Stephanie Harmon2, Rachael Iseman3
1Department of Cell Biology at The Arthur and Sonia Labatt Brain Tumour Research Centre at the Hospital for Sick Children, Toronto, Ontario, Canada.
概括
一个人工智能 (AI) 工作流程准确地检测前列腺癌患者的酸酶和张素同类素 (PTEN) 损失. 这项AI-PTEN评估识别了早期复发和转移的高风险个体,改善了患者管理.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 生物医学工程 生物医学工程
背景情况:
- 酸酶和张素同类素 (PTEN) 损失是前列腺癌不良结果的已知生物标志物.
- 准确有效地测量PTEN损失对于风险分层和治疗决策至关重要.
- 目前的方法,如病理学家的常规视觉评分 (cPTEN),可能在客观性和可扩展性方面存在局限性.
研究的目的:
- 开发和验证人工智能 (AI) 图像分析工作流程,用于自动检测PTEN损失.
- 评估基于人工智能的PTEN量化 (AI-qPTEN) 在预测前列腺癌患者早期复发和转移方面的临床实用性.
- 为了比较AI-PTEN与传统病理学家评分 (cPTEN) 的性能,与患者的结果相关.
主要方法:
- 利用了1264个术后前列腺癌组织微阵列部分的队列,为PTEN染色.
- 使用常规病理学家评分 (cPTEN) 和内部AI图像分析管道 (AI-PTEN) 评估PTEN状态.
- 分析了PTEN评估方法与无转移存活率 (MFS) 和无复发存活率 (RFS) 的关联,使用多变量Cox比例危险和决策曲线模型,以前列腺癌风险评估术后得分 (CAPRA-S) 进行调整.
主要成果:
- 在单变量分析中,cPTEN和AI-qPTEN都与较短的MFS有关.
- 在多变量分析中,在对CAPRA-S.进行调整后,AI-qPTEN仍然与较短的MFS (HR,2.17) 和RFS (HR,1.36) 显著相关.
- 在多变量分析中,cPTEN没有显示出与MFS或RFS的统计学意义上的关联.
- AI-qPTEN在具有良好的病理阶段和负边缘的患者中发现了较短的MFS (HR, 2.72).
- AI-qPTEN在决策曲线分析中表现出了增强的临床实用性,用于识别可能受益于辅助治疗的患者.
结论:
- 人工智能驱动的PTEN评估工作流 (AI-qPTEN) 是一个临床上有价值的工具,用于评估根性前列腺切除术后的转移和复发风险.
- 与传统的病理学家评分相比,AI-qPTEN提供了更强大,更具有统计意义的与不良结果的关联,特别是在多变量模型中.
- 将AI-qPTEN整合到临床实践中可能会改善术后监测和管理决策,特别是对于最初被归类为低风险的患者.
