使用深度神经网络对脊髓表瘤进行基于形态的分子分类

科学领域:

• 神经瘤学神经瘤学
• 计算病理学计算病理学
• 医学中的人工智能

背景情况:

• 脊髓表膜瘤 (SP-EPN,MPE) 基于DNA甲基化,具有不同的分子亚型.
• 组织形态学诊断往往与分子分类不匹配,影响临床管理和预后.
• 准确的亚型对有效的治疗策略至关重要.

研究的目的:

• 开发和验证深度神经网络,用于从H&E染色全幻灯片图像中预测脊髓表膜瘤的DNA甲基化类.
• 利用可解释的AI来识别和量化与分子亚型相关的形态特征.
• 为了提高基于组织学的诊断与分子分析的一致性.

主要方法:

• 分析了139个分子特征脊髓表瘤的队列.
• 自主监督和弱监督的深度神经网络被用于分类.
• 注意力分析和机器学习确定和量化了与分子类型相关的形态特征.

主要成果:

• 性能最好的模型在从整个幻灯片图像中预测DNA甲基化级别时达到98%的测试准确度.
• 自主监督学习的表现优于预先训练的网络 (86%的准确率).
• 人工智能预测与分子分类 (98%) 的一致性高于神经病理学家 (83%).

结论:

• 深度神经网络可以使用标准组织学图像准确地预测脊髓表膜瘤的分子亚型.
• 这种人工智能驱动的方法为综合诊断和标准化提供了潜在的补充工具,特别是在资源有限的环境中.
• 识别的形态特征增强了对表瘤分类的理解和一致性.