利用基于注意力的卷积神经网络在计算组织病理学中进行脑膜瘤分类

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 数字组织病理学 数字组织病理学

背景情况:

• 脑膜瘤是常见的大脑瘤,需要准确的分类.
• 基因组甲基化分析提高了瘤复发的预测,但成本高昂,难以获得.
• 数字组织学为分类提供了一个潜在的替代方案.

研究的目的:

• 开发和验证人工智能模型,用于使用组织学图像预测脑膜瘤DNA甲基化类.
• 评估模型的准确性和识别重大瘤区域的能力.

主要方法:

• 开发了一个基于注意力的多实例深度神经网络.
• 该模型使用了来自142名患者的血素-素染色组织学切片和瘤甲基组数据 (+51个验证).
• 使用注意力图可视化来解释模型的焦点.

主要成果:

• 美国有线电视新闻网 (CNN) 在预测两种组合的脑膜瘤甲基化等级方面取得了很高的准确性.
• 在一个独立的51个样本组的验证证实了该模型的性能.
• 注意地图显示,人工智能专注于诊断相关的瘤区域.

结论:

• 从标准的组织病理学图像中,CNN可以准确地预测临床相关的DNA甲基化信息.
• 这一人工智能框架通过提供一种可访问的脑膜瘤分类方法来支持精密医学.
• 这项研究是第一个使用计算机视觉对组织病理学来预测DNA甲基组数据的研究.