脊髓甲状腺癌中的Ki67增殖指数:对多种计数方法的比较研究和图像分析和深度学习平台的验证
Saad Nadeem1, Matthew G Hanna2, Kartik Viswanathan3
1Department of Medical Physics, Memorial Sloan Kettering Cancer Center, New York, NY, USA.
Histopathology
|September 14, 2023
概括
自动化方法,包括深度学习和图像分析软件,准确量化基67指数在骨髓甲状腺癌. 这些工具简化了分级,尽管对于边界病例建议进行手动审查.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 医疗成像医学成像
背景情况:
- 国际骨髓甲状腺癌分级系统 (2022) 要求基67指数评估用于组织学分级.
- 手动Ki67计数是劳动密集型和耗时的,阻碍了高效的分类.
研究的目的:
- 与手动计数相比,评估自动化Ki67指数量化方法的准确性.
- 评估机器学习和图像分析软件对髓状甲状腺癌分级的临床实用性.
主要方法:
- 分析了一组260例髓性甲状腺癌病例的队列.
- Ki67指数通过手动计数,眼球,深度学习算法 (DeepLIIF) 和图像分析软件来确定.
- 进行了相关性和协议分析 (kappa,ICC).
主要成果:
- 这三种自动化方法都显示出与手动Ki67计数的近乎完美的相关性 (kappa: 0.8840.979; ICC: 0.9690.983).
- 差异很小,只发生在边界Ki67指数 (37%) 的病例中.
- 高基67指数 (≥5%) 通过任何方法与较差的疾病特异性和无转移生存相关.
结论:
- 机器学习和图像分析软件在甲状腺髓癌中提供准确的,自动化的Ki67量化.
- 手动Ki67计数对于边界病例 (37%) 仍然很有价值.
- 在临床实施之前,对替代方法的验证对于髓性甲状腺癌分级至关重要.
