基于深度学习的算法的外部验证,用于检测皮质甲状腺癌中的高细胞:一项多中心研究
Sebastian Stenman1,2,3, Sylvain Bétrisey4, Paula Vainio5
1Institute for Molecular Medicine Finland - FIMM, University of Helsinki, Tukholmankatu 8, 00290 Helsinki, Finland.
Journal of pathology informatics
|March 1, 2024
概括
一个深度学习算法准确地识别高细胞乳头甲状腺癌 (TC-PTC),一个侵略性的亚型. 这种工具有助于精确诊断,改善这种具有挑战性的甲状腺癌变体患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 人工智能在医学中的应用
背景情况:
- 高细胞乳头甲状腺癌 (TC-PTC) 是乳头甲状腺癌 (PTC) 的一种攻击性亚型.
- 目前TC-PTC的定义依赖于主观形态学标准,导致诊断的观察者之间的显著变化.
- 准确识别TC-PTC对于预后和治疗计划至关重要.
研究的目的:
- 验证基于深度学习 (DL) 的算法,用于客观检测皮质甲状腺癌中的高细胞.
- 在外部收集的TC-PTC全幻灯片图像上评估DL算法的性能.
- 评估DL算法TC-PTC识别与患者无复发存活率之间的相关性.
主要方法:
- 一个先前训练好的DL算法被应用到160个外部收集的血素和素 (HE) 染色的PTC整片图像上.
- 通过使用来自18个组织部分的360个手动注释来评估DL算法的性能.
- 对于检测高细胞 (TC) 和非TC区域,计算了灵敏度和特异性.
主要成果:
- 在检测TC时,DL算法表现出高灵敏度 (90.6%) 和特异性 (88.5%).
- 该算法在识别非TC区域时显示出高灵敏度 (81.6%) 和特异性 (92.9%).
- 通过DL算法识别的20%和30%的TC值与较短的无复发生存时间显著相关.
结论:
- 基于DL的算法可靠地检测TC在看不见的外部HE染色PTC幻灯片中,无需重新训练.
- 这个AI工具提供了一个客观和可重复的TC-PTC识别方法.
- 该算法的发现与临床结果相关,支持其在改善TC-PTC诊断和患者管理方面的潜在实用性.
