对GBM诊断的AI部署:使用基于图像特征的分析分析组织病理图像的新方法
Eva Y W Cheung1, Ricky W K Wu2, Albert S M Li1,3
1School of Medical and Health Sciences, Tung Wah College, 31 Wylie Road, HoManTin, Hong Kong.
Cancers
|October 28, 2023
概括
这项研究开发了一个计算机模型,使用组织病理学图像来诊断质母细胞瘤 (GBM). 支持矢量机 (SVM) 模型实现了93.5%的准确性,显示了在GBM诊断中临床使用的潜力.
科学领域:
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
- 计算机成像成像技术
背景情况:
- 质母细胞瘤 (GBM) 是一种常见的,激进的脑瘤.
- 目前的GBM诊断依赖于H&E染色幻灯片的手动分析.
- 数字病理学和人工智能为定量图像分析提供了新的途径.
研究的目的:
- 为GBM诊断开发基于图像特征的计算机模型.
- 为了区分质母细胞瘤患者和健康对照人群,使用组织病理学全幻灯片图像.
- 识别关键的图像特征,以准确检测GBM.
主要方法:
- 利用了两个独立的队列 (TCGA-GBM和当地医院数据).
- 从H&E幻灯片中提取了33个图像特征 (GLCM和GLRLM).
- 训练并测试了五种机器学习算法 (DT,EB,SVM,RF,LM).
主要成果:
- 所有模型在培训/验证中都实现了100%的准确性.
- 确定了15个显著的图像特征 (12 GLCM,3 GLRLM),区分GBM与正常组织.
- 在独立的队列中,SVM模型显示了93.5%的准确性,86.95%的灵敏度和99.73%的特异性.
结论:
- 确定了特定的GLCM和GLRLM图像特征,以帮助GBM诊断.
- SVM模型显示 GBM 检测的高精度,灵敏度和特异性.
- 开发的SVM模型有可能在未来的临床应用中用于GBM诊断.
