基于机器学习的分类模型,以解决跨支气管肺部活检中的诊断挑战
Hisao Sano1,2,3, Ethan N Okoshi1, Yuri Tachibana1,3
1Department of Pathology Informatics, Nagasaki University Graduate School of Biomedical Sciences, Nagasaki 852-8588, Nagasaki, Japan.
Cancers
|February 24, 2024
概括
一个新的机器学习模型可以帮助区分良性与恶性跨支气管活检 (TBLB) 肺结节样本. 这种人工智能工具有助于诊断,可能减少患者需要重复手术的需要.
科学领域:
- 肺部病理学 肺部病理学
- 计算病理学计算病理学
- 瘤学 诊断 诊断 瘤学
背景情况:
- 通过跨支气管肺活检 (TBLB) 来区分良性和恶性肺结节在诊断上具有挑战性.
- 准确的区分对于适当的患者管理和治疗规划至关重要.
研究的目的:
- 开发和验证TBLB标本的机器学习 (ML) 分类器.
- 为了提高TBLB的诊断准确性,对肺结节进行分类.
主要方法:
- 病理学家评估了六种潜在的组织学标志物:接口支气管炎/支气管炎 (IB/B),血细胞透 (PLC),乙氨基透 (Eo),淋巴细胞聚合 (Ly),纤维结质 (FE) 和组织性肺炎 (OP).
- 一个渐变增强的决策树 (XGBoost) ML模型在200个TBLB病例上进行了训练,并在51个已知良性或恶性结局的病例上进行了测试.
主要成果:
- 五个标志物显示与良性疾病的关联 (AUC 0.580.75),IB/B是最强的预测因素.
- 纤维度 (FE) 是与恶性瘤相关的唯一指标 (AUC = 0.66).
- 在XGBoost模型中,在测试组中对良性与恶性TBLB标本进行分类时,AUC达到0.78.
结论:
- 开发的ML模型在区分良性和恶性TBLB样本方面显示出有前途,独立于瘤细胞的存在.
- 这种人工智能驱动的方法可以提高诊断准确性,并可能减少重复采样程序的需要.
