基于深度学习的瘤标记物的分类,用于对霍奇金病的预后
Ila Motmaen1, Sergej Sereda1, Alexander Brobeil2
1Department of Pathology, Justus-Liebig-University, University Hospital Giessen and Marburg GmbH, Giessen, Germany.
European journal of haematology
|August 7, 2023
概括
这项研究探讨了使用霍奇金病医学图像的深度学习来预测患者的结果. 虽然picrosirius红色染色与疾病进展有一定的关联,但作为一个独立的预后工具是不够的.
科学领域:
- 在瘤学瘤学.
- 数字病理学数字病理学
- 人工智能在医学中的应用
背景情况:
- 霍奇金病影响青少年,10-15%的人面临复发或对初始治疗产生抵抗.
- 目前的方法缺乏分子预测因子,以早期识别高风险患者.
- 准确预测治疗失败对于治疗决策至关重要.
研究的目的:
- 评估用于医疗图像分析的深度学习分类器,用于预测霍奇金氏病的临床结果.
- 评估基于图像的原纤维分析对预后评估的潜力.
- 为了确定霍奇金病治疗反应的新生物标志物.
主要方法:
- 83个霍奇金病活检样本的整体幻灯片成像用红色的皮克罗西里乌斯染色.
- 在基于原纤维染色的注释完整幻灯片图像上训练YOLOv4神经网络.
- 评估弱染色纤维的预后能力,并将结果与MMP9染色进行比较.
主要成果:
- 在qPET组和弱染色的原纤维之间发现了统计学上显著的关系 (p=0.0185).
- 与qPET阴性病例 (10-14%) 相比,qPET阳性病例中染色纤维的百分比较高 (18%).
- 该模型在检测性能方面实现了0.79的曲线下的面积 (AUC).
结论:
- 整个幻灯片图像中的皮克罗西里乌斯红色染色显示了与霍奇金病进展的潜在关联.
- 目前使用红色皮克罗西里乌斯的方法不够强大,作为一个独立的预后装置.
- 需要进一步的研究来完善基于图像的生物标志物来预测临床结果.
