基于深度学习的准确诊断和对肝细胞癌中微血管入侵的定量评估,在全幻灯片组织病理学图像上

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 微血管入侵 (MVI) 是肝细胞癌 (HCC) 复发和生存的关键预后因素.
• 传统的MVI诊断是主观的,耗时的,不一致的.
• 需要更有效,更准确的MVI诊断方法.

研究的目的:

• 开发一个深度学习模型,以改善MVI诊断在HCC.
• 与传统病理学相比,提高MVI检测的效率和准确性.

主要方法:

• 在753名HCC患者的H&E染色幻灯片上训练了一种深度学习模型.
• 外部验证是在"癌症基因组图谱"中的358名HCC患者的数据集上进行的.
• 模型性能使用标准指标进行评估,包括准确性,精度,回忆,F1得分和AUC.

主要成果:

• 开发的MVI人工智能诊断模型 (MVI-AIDM) 在外部验证集上实现了94.25%的准确性.
• MVI-AIDM显示了比人类病理学家更高的MVI阳性检测率.
• 该模型识别了微妙的MVI,并提供了自动定量和空间信息.

结论:

• 深度学习模型显著提高了MVI诊断效率和HCC的准确性.
• 该模型在MVI上的空间信息对于预测手术后HCC复发至关重要.
• 这种AI方法为MVI评估提供了更客观,更可靠的方法.