深度病理学:一种新的基于图像的工具,用于预测第三阶段非小细胞肺癌治疗反应

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 数字病理学数字病理学

背景情况:

• 在第三阶段非小细胞肺癌 (NSCLC) 中预测治疗反应仍然是个性化治疗的挑战.
• 目前的诊断系统缺乏准确预测患者对化疗和放射治疗反应的能力.

研究的目的:

• 调查应用在组织组织幻灯片 (深度病理学) 上的深度学习技术的有效性,以预测第三阶段NSCLC中化疗放射治疗反应.
• 评估各种卷积神经网络 (CNN) 在分类响应者和非响应者的性能.

主要方法:

• 使用了35张来自IIIA/IIIB期NSCLC患者的数字化组织幻灯片.
• 雇佣了五个预先训练有素的CNN (AlexNet,VGG,MobileNet,GoogLeNet,ResNet),采用一个离开两个患者的交叉验证方法.
• 根据CT测量治疗期间瘤体积减少,将患者分类为响应者或不响应者.

主要成果:

• 谷歌LeNet成为表现最好的CNN,准确地分类了8/12的响应者和10/11的非响应者.
• 深度病情患者表现出高特异性 (90.1%) 和敏感性 (75%).
• 人工智能驱动的深度病理学显示出超越当前诊断能力的潜力.

结论:

• 使用人工智能的深度病理学为预测NSCLC治疗反应提供了一种新且有效的方法.
• 这项技术可以提供超越当前临床实践的宝贵见解,有助于个性化医疗策略.
• 这些发现支持开发基于人工智能的先进治疗方法,以改善患者的治疗结果.