通过计算数字病理学增强脑膜瘤中线粒分裂量化和检测能力

科学领域:

• 神经病理学神经病理学
• 数字病理学数字病理学
• 计算病理学计算病理学

背景情况:

• 精确的线粒分裂计数对于脑膜瘤分级至关重要,但在病理学家中存在显著的观察者间变异性.
• 挑战包括识别线粒分裂热点,并始终检测线粒细胞数字.

研究的目的:

• 开发和评估利用数字病理学的计算策略,以提高脑膜瘤中线粒分裂评估的精度和可靠性.
• 解决观察者之间的变化,提高脑膜瘤分级的诊断准确性.

主要方法:

• 开发了一种深度先搜索算法,以量化连续10个高功率场的最大线粒数量.
• 实施了一种协作球体方法,将病理学家分组起来,在高功率场内集体检测线索.
• 该策略在脑膜瘤幻灯片上得到验证,比较算法计数和组表现与个人病理学家评估.

主要成果:

• 深度先搜索算法确定了两个边缘性脑膜瘤病例,在分析后进行了升级,证明了更好的量化.
• 与个人病理学家相比,三名病理学家组成的组在线检测中获得了更高的平均精度 (0.897) 和灵敏度 (0.699) (精度:0.750,灵敏度:0.667).

结论:

• 拟议的计算策略,结合算法分析和协作审查,显著提高了脑膜瘤中线粒分裂评估的准确性.
• 这种方法有可能与人工智能工作流程集成,用于快速,稳健的线粒分裂评估,最终有利于患者管理.