通过人工智能提取的组织纤维框架分析来改善肝切除后的HCC预后模型

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 计算病理学计算病理学

背景情况:

• 预测肝细胞癌 (HCC) 患者的结果仍然很困难.
• 瘤特性和潜在的肝病 (例如肝硬化,NAFLD) 复杂化预后准确性.
• 现有的模型往往缺乏详细的微型架构洞察力.

研究的目的:

• 调查HCC肝脏切除样本中的网红素和原微架构的预后价值.
• 基于组织微架构开发人工智能驱动的模型,以预测基于组织微架构的HCC患者结果.
• 将基于微架构的模型与传统的临床病理学参数的疗效进行比较.

主要方法:

• 对105个扫描的肝切除组织段进行分析,这些组织段被染色为原蛋白和网球蛋白.
• 利用卷积神经网络 (CNN) 来对原和网素纤维进行细分.
• 采用六角格子采样,自动表皮边缘检测和计算纤维形态测量.
• 使用LASSO回归开发了两种受惩罚的考克斯回归模型.

主要成果:

• 结合微架构特征的人工智能模型实现了比0.7.7高的一致性指数 (C指数).
• 关键的预后特征包括患者年龄,瘤多焦点性和上皮边缘的纤维特征.
• 在瘤边缘,网红素结构显著;在瘤周围肝脏边缘,原特性显著.
• 与传统模型相比,人工智能衍生模型显示出更高的预后性能.

结论:

• 人工智能提取的网球蛋白和原的微型结构特征在HCC中具有显著的预后价值.
• 这些特征,特别是在瘤和周肝边缘,提高了结果的预测.
• 将基于AI的组织分析集成到HCC管理中可以改善患者的预后和治疗策略.