为病理学家提取可解释的特征,使用弱监督学习来预测口腔癌中p16表达的情况

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 现有的人工智能 (AI) 模型对组织病理学缺乏可解释性.
• 准确预测p16阳性口腔状细胞癌 (OPSCC) 对诊断和治疗至关重要.

研究的目的:

• 开发一个可解释的AI模型来提取和分析p16-正的OPSCC特征.
• 增强对与OPSCC.p16表达相关的组织病理学特征的理解.

主要方法:

• 一个集群受约束的基于注意力的多实例学习 (CLAM) 模型是使用来自114个OPSCC病例的全幻灯片图像来开发的.
• 纳入瘤注释 (Annot-CLAM) 来改善模型性能,实现平均AUC为0.905.
• 组织病理形态分析和CycleGAN图像翻译被用来检查AI识别的图像补丁.

主要成果:

• 在p16阴性和p16阳性图像补丁之间观察到核数,周围和细胞间桥梁的显著差异.
• 循环GAN转换的图像证实了核大小和密度的显著变化.
• 人工智能模型成功地识别了与p16状态相关的可解释的遗传病理特征.

结论:

• 这种新的AI方法显著提高了基于基因病理学的AI模型的可解释性.
• 这项研究促进了OPSCC.临床价值的组织病理特征的识别.
• 这些发现有助于更准确,更易于理解的AI驱动的癌症诊断.