早期HCC的歧视使用单细胞核图像和在整个幻灯片图像中特征分布的可视化

科学领域:

• 在瘤学瘤学.
• 数字病理学数字病理学
• 人工智能在医学中的应用

背景情况:

• 早期肝细胞癌 (HCC),特别是分化良好的类型,由于细微的细胞差异,为病理学家提出了诊断挑战.
• 从单核图像中区分癌症和非癌症肝细胞是很困难的,特别是在有限的针活检标本中.

研究的目的:

• 研究卷积神经网络 (CNN) 在癌症和非癌症单个肝细胞核之间进行区分的潜力.
• 探索核图像分析的实用性,用于识别与早期HCC分化相关的新特征.
• 评估人工智能驱动可视化的可行性,以帮助病理学家识别整个幻灯片图像 (WSI) 中感兴趣的区域.

主要方法:

• 利用CNN分析单个肝细胞核图像以进行癌症/非癌症歧视.
• 在整个幻灯片图像 (WSIs) 上可视化癌症/非癌症的概率.
• 采用具有相似特征的部分的分组,以提高准确性和可视化.

主要成果:

• 从单核图像中获得了大约70%的癌症/非癌症分类的正确歧视率.
• 在71%的病例中,WSIs上的可视化显示了癌症和非癌症区域之间的差异.
• 将相似的特征分组起来,既提高了分类准确性,也提高了可视化效率.

结论:

• 基于CNN对单个肝细胞核的分析表明,对早期HCC的区分有希望.
• 在WSIs上对癌症概率的AI驱动可视化可以帮助病理学家识别可疑区域.
• 这种方法为诊断HCC提供了潜在的好处,特别是在具有挑战性的病例和有限的活检样本中.