基于深度学习的自动化管道用于在多重前列腺癌图像中检测血管和分布分析

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:

• 前列腺癌在攻击性和治疗反应方面表现出显著的异质性.
• 血管新生对于瘤生长至关重要,与前列腺癌的预后不佳有关.
• 在显微镜中手动细分血管是劳动密集型的,容易变化.

研究的目的:

• 开发和验证一个自动化管道,用于在多重前列腺癌图像中的血管 (BV) 检测和分布分析.
• 评估BV特征与前列腺癌进展之间的相关性,包括格里森等级和复发.

主要方法:

• 一个深度学习模型被训练用于使用CD31,CD34和原IV染色组合的BV细分.
• 该模型的性能被两个独立的审稿人对手册注释进行了评估,计算了精度,回忆和子相似系数.
• 在215名前列腺癌患者的队列中,分析了与5年复发和格里森等级相关的BV计数和面积.

主要成果:

• 自动化管道在BV细分方面表现出高精度,精度,回忆和DSC值与专家审查员相比.
• 血管计数显示出与5年复发的显著关联 (调整后p = 0.0042).
• 血管数量和面积都与格里森等级显著相关 (调整后的p分别为0.032和0.003).

结论:

• 开发的自动化管道为前列腺癌的血管分析提供了标准化和高效的方法.
• 这种方法为前列腺癌生物学和预后提供了宝贵的见解.
• 该方法在其他癌症类型中具有广泛应用的潜力.