一个深度学习模型来预测口腔状细胞癌中的Ki-67阳性

科学领域:

• 数字病理学数字病理学
• 在病理学中的人工智能.
• 计算病理学计算病理学

背景情况:

• 解剖病理学正在随着数字技术和人工智能而发展.
• 病理学中的预测模型可以优化诊断过程并减少实验室的工作量.
• Ki-67免疫组织化学 (IHC) 对于细胞增殖评估至关重要,但需要额外的染色.

研究的目的:

• 开发一种深度学习模型,从常规的血素和 (H&E) 染色幻灯片中生成合成Ki-67 IHC图像.
• 评估人工智能生成的合成IHC图像的现实性和定量准确性,与真正的IHC图像相比.
• 评估这种人工智能工具在提高口腔状细胞癌 (OSCC) 的诊断效率和患者管理方面的潜力.

主要方法:

• 使用了175个OSCC案例来训练Pix2Pix深度学习算法.
• 对齐的H&E和Ki-67 IHC染色了组织微阵列 (TMA) 来创建一个配对的数据集.
• 为病理学家开发了一个概率测试,并使用QuPath对真实和合成IHC图像进行定量分析.

主要成果:

• 深度学习模型生成了现实的合成Ki-67 IHC图像,病理学家仅在50%的病例中正确识别它们.
• 在使用QuPath进行的真实和合成IHC量化之间观察到很高的一致性.
• 分类分析显示,Ki-67阳性截止值的高阳性预测值 (5%,10%,15%).

结论:

• 开发的AI模型是直接从H&E幻灯片中获取Ki-67阳性数据的有希望的工具,减少了IHC染色的需要.
• 这种方法可以降低实验室成本,改善周转时间,提高患者管理.
• 该工具为小型实验室提供了一种有价值的解决方案,可以在数字病理学框架内高效地选和优先考虑活检样本.