人工智能检测到核形态特征与乳头甲状腺癌分子异常之间的关系
Toui Nishikawa1, Ibu Matsuzaki1, Ayata Takahashi1
1Department of Human Pathology, Wakayama Medical University, 811-1 Kimiidera, Wakayama Prefecture, Wakayama 641-8509, Japan.
Endocrine pathology
|January 2, 2024
概括
这项研究表明,乳头甲状腺癌 (PTC) 的特定核特征可以预测像RET融合这样的遗传异常. 深度学习模型准确地识别了这些特征,有助于预测PTC中的遗传变化.
科学领域:
- 在瘤学瘤学.
- 遗传学 是一个遗传学.
- 人工智能的人工智能
背景情况:
- 乳头甲状腺癌 (PTC) 是最常见的甲状腺癌.
- 遗传异常影响PTC预后和向治疗.
- 缺乏客观分析,将核特征与遗传异常相关联.
研究的目的:
- 调查核形态与PTC中的分子异常之间的相关性.
- 开发利用核特征预测遗传异常的方法.
- 评估深度学习在检测PTC亚型化中核特征方面的有效性.
主要方法:
- 分析了72个PTC案件.
- 对BRAF p.V600E突变和RET融合的遗传分析.
- 深度学习模型用于核特征的自动检测 (槽,伪核包容,玻璃核).
- 逻辑回归用于相关性和预测分析.
主要成果:
- 深度学习模型在检测核特征方面实现了高精度 (AUC > 0.90).
- 核特征的特定比率 (玻璃核/核沟,伪核包含/玻璃核) 在RET核聚变阳性病例中显著更高.
- 年龄和特定核特征比率显著预测了RET融合.
结论:
- PTC的核特征与遗传异常相关.
- 深度学习模型可以准确地检测用于PTC分析的核特征.
- 人工智能模型可以在经典PTC中显著预测RET融合,有助于个性化医学.
