在手术前的宫癌患者中,通过从基因病学全片活检图像的弱监督深度学习来识别淋巴结转移
Qingqing Liu1, Nan Jiang1, Yiping Hao1
1Cheeloo College of Medicine, Shandong University, Jinan City, China.
Cancer medicine
|August 10, 2023
概括
一种深度学习模型使用数字病理图像准确预测宫癌中的淋巴结转移 (LNM). 这种AI方法有助于进行手术前诊断,并改善宫癌患者的治疗决策.
科学领域:
- 在瘤学瘤学.
- 数字病理学数字病理学
- 人工智能的人工智能
背景情况:
- 淋巴结转移 (LNM) 是宫癌的关键预后因素,影响复发,死亡率和治疗策略.
- 准确的手术前预测LNM仍然是一个临床挑战,需要改进的诊断工具.
研究的目的:
- 开发和验证一个深度学习 (DL) 模型,用于在宫癌中预先预测LNM,使用全病态全幻灯片图像 (WSIs).
- 评估DL模型的性能与传统的成像检查相比.
主要方法:
- 一个包含视觉转换器 (ViT) 和循环神经网络 (RNN) 框架的DL模型,在554个宫癌WSI上受过训练.
- 模型验证是使用来自多个机构的336个WSI的外部测试集和190个宫活检WSI的潜在队列进行的.
主要成果:
- 在内部测试组中,DL模型实现了高性能,曲线下的面积 (AUC) 为0.919,精度 (ACC) 为0.909.
- 在外部验证中观察到一致的性能 (潜在队列中的AUC 0.91,ACC 0.895).
- 与传统的成像检查相比,DL模型在LNM评估中表现出更高的准确性.
结论:
- 数字病理图像的基于深度学习的分析对于预测LNM在早期可手术的宫癌中是有效的.
- 这种人工智能驱动的方法具有显著的潜力,可以增强手术前决策,并优化宫癌患者的治疗策略.
