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

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.