在神经内分泌瘤中使用新型开源深度学习平台量化Ki-67 - 分析验证

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 神经内分泌瘤 (NETs) 是一个多样化的瘤群.
• 基-67免疫染是NET扩散和预后的关键生物标志物.
• 准确的Ki-67量化对于NET临床管理至关重要.

研究的目的:

• 评估DeepLIIF平台在胃肠道NET中的Ki-67量化性能.
• 将DeepLIIF的Ki-67量化与病理学家的手动评估进行比较.

主要方法:

• 使用开源,云原生深度学习平台DeepLIIF.
• 将DeepLIIF的Ki-67量化结果与经验丰富的病理学家的手动评分进行了比较.

主要成果:

• 在对NET的Ki-67量化中,DeepLIIF表现出高准确度 (ICC = 0.885).
• 该平台显示出优秀的观察者内部和观察者之间的协议,确保一致的评分.
• DeepLIIF显著减少了分析时间,适合高通量设置.

结论:

• 像DeepLIIF这样的开源深度学习平台显示了在NET中可靠的Ki-67量化潜力.
• DeepLIIF的验证性能支持其融入常规临床实践.
• 人工智能驱动的Ki-67评估可以提高神经内分泌瘤学的诊断准确性和患者护理.