从使用弱监督深度学习的常规瘤活检进行初级肝癌分类
Aurélie Beaufrère1,2,3, Nora Ouzir4, Paul Emile Zafar1,4
1AP-HP. Nord, Department of Pathology, FHU MOSAIC, Beaujon Hospital, Clichy, France.
JHEP reports : innovation in hepatology
|February 21, 2024
概括
这项研究开发了一种人工智能方法,用于在例行活检上对初级肝癌 (PLC) 进行分类. 弱监督的学习模型准确地识别了肝细胞癌和肝脏内胆管癌,有助于挑战性诊断.
科学领域:
- 数字病理学数字病理学
- 机器学习在瘤学中
- 癌症诊断 癌症诊断 癌症诊断
背景情况:
- 在活检上诊断原发性肝癌 (PLC),特别是结合性肝细胞胆血管癌 (cHCC-CCA),存在重大挑战.
- 常规的H&E染色活检是病理学检查的标准.
研究的目的:
- 开发和验证一种弱监督的学习方法,用于在例行活检上对PLC进行自动分类.
- 评估该模型在肝细胞癌 (HCC) 和肝内胆管癌 (iCCA) 之间区分的能力,并帮助识别cHCC-CCA.
主要方法:
- 一个ResNet18神经网络被训练在166个PLC活检使用弱监督学习与瘤/非瘤注释.
- 在未经监督的情况下对提取的特征进行了无监督的聚类,而对恶性瘤标签的预先了解并不存在.
- 该模型在内部和外部数据集上进行了验证.
主要成果:
- 两集群模型成功地区分了HCC和iCCA组织学特征.
- 对HCC (100%内部,96%外部) 和iCCA (78%内部,87%外部) 实现了高度的诊断一致.
- cHCC-CCA病例显示出来自两个群的的比例可变,这表明了潜在的诊断指标.
结论:
- 弱监督学习方法可以在H&E活检上识别HCC和iCCA的特定形态特征.
- 虽然没有直接识别cHCC-CCA,但该模型能够量化HCC和iCCA的比例可以帮助诊断这种具有挑战性的亚型.
