开发和预后验证基于三级NHG类似的深度学习模型,用于乳腺癌的组织学分类

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 乳腺癌的诊断 乳腺癌的诊断

背景情况:

• 诺丁汉组织学等级 (NHG) 是乳腺癌的一个关键预后因素.
• 手动NHG评估受到评估者之间和实验室间显著的差异的影响.
• 这种变化在乳腺癌分级和随后的治疗决策中带来了不确定性.

研究的目的:

• 开发和验证一种基于深度学习的模型 (predGrade) 用于乳腺瘤的组织学分类.
• 为了评估predGrade模型的预后性能.
• 将predGrade模型的性能与传统的手动NHG评估进行比较.

主要方法:

• 一个具有注意力机制的深卷积神经网络 (CNN) 被训练在整个幻灯片图像 (WSIs) 上.
• 该模型被优化为从H&E染色的WSIs分类三级组织学分级 (NHG).
• 在两个独立的患者队列中,使用时间到事件分析评估了无复发生存期的预后性表现.

主要成果:

• 在内部和外部测试组中,predGrade模型显示了与手动NHG评估相比的预后性能.
• 高度瘤与低度瘤的危险比率在predGrade模型和临床NHG之间是相似的.
• 多变量分析表明,在预格和临床NHG之间预后价值没有显著差异.

结论:

• 开发的深度学习模型 (predGrade) 为手动NHG评估提供了可重复的替代方案.
• 基于人工智能的组织学分类显示了提高乳腺癌诊断一致性的潜力.
• 深度CNN模型是提高乳腺癌分级的准确性和可靠性的可行工具.