开发一种基于全幻灯片级细分的dMMR/pMMR深度学习探测器,用于结直肠癌

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
• 对于结直肠癌分析的数字病理学.

背景情况:

• 准确识别不匹配修复缺陷 (dMMR) 或熟练修复不匹配 (pMMR) 对结直肠癌 (CRC) 治疗决策至关重要.
• 传统的dMMR/pMMR检测方法可能耗时且资源密集.
• 如果可以开发准确的预测模型,血素和素 (H&E) 染色幻灯片为分子亚型提供了具有成本效益的替代方案.

研究的目的:

• 开发和验证一个全幻灯片级人工智能 (AI) 模型,用于从H&E图像中预测结直肠癌 (CRC) 中的dMMR/pMMR状态.
• 与传统基于分类的方法相比,评估拟议的人工智能模型的计算效率.
• 评估人机协作策略对dMMR/pMMR预测的性能提升.

主要方法:

• 开发一个基于细分的深度学习探测器,命名为SPEED (基于细分的专家检测预测引擎).
• 培训和验证SPEED模型对结直肠癌内部和外部队列的H&E全幻灯片图像.
• 将SPEED的处理时间与基于分类的深度学习模型进行比较.
• 对增强人工智能预测的人机战略的评估.

主要成果:

• 在SPEED模型中,内部验证的AUC值为0.989,外部验证的AUC值为0.865.
• SPEED显示出了显著的速度改进,比基于分类的模型快大约1700倍.
• 人机战略进一步提高了外部验证性能,达到0.988.98的AUC.
• 该模型有效地从H&E图像中预测dMMR/pMMR状态.

结论:

• 开发的SPEED模型提供了一个高效和准确的AI驱动的方法,用于在结直肠癌中进行全幻灯片dMMR/pMMR预测.
• 这种方法显著减少了计算处理时间,使其成为临床病理学的实用工具.
• 将人工智能预测与人类专业知识相结合,进一步提高了诊断准确度,为改善CRC患者管理铺平了道路.