基于人工智能的ANORAK模型改进了肺腺癌的组织病理学分级

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:

• 组织病理学分类对于肺腺癌风险分层至关重要.
• 复杂的瘤形态和内异质性对手工分类构成了挑战.
• 需要先进的方法来准确评估肺腺癌生长模式.

研究的目的:

• 开发和验证一种人工智能方法来界定肺腺癌生长模式.
• 评估基于人工智能的基于无疾病生存的分级的预后能力.
• 调查AI-病理学家差异,内异质性和形态模式之间的关系.

主要方法:

• 开发ANORAK (pyrAmid pooliNg crOss stReam Attention networK),一种AI模型,通过注意力机制编码多分辨率输入.
• 在四个独立的队列中,ANORAK应用于来自1372个肺腺癌的血素和素染色幻灯片.
• 以人工智能为基础的分级与病理学家评估的比较分析以及与生存数据和内异质性的相关性.

主要成果:

• 使用ANORAK的基于AI的分级预测了肺腺癌中无病生存的预后.
• 在协助病理学家时,ANORAK 始终改善了 I 期肺瘤的预后.
• 人工智能和病理学家模式识别之间的差异与更高的内异质性相关.
• 阿诺拉克准确地评估了形状的形态,并捕获了变化和过渡.

结论:

• 开发的人工智能方法ANORAK能够精确量化和对肺腺癌生长模式进行形态研究.
• 基于人工智能的分类反映了内组织学转变,并有助于风险分层.
• 人工智能工具可以增强病理评估,改善肺腺癌的预后.