图形感知器网络用于肺瘤和支气管前恶性损伤分层从组织病理学

科学领域:

• 计算病理学计算病理学
• 在瘤学瘤学.
• 医学中的人工智能

背景情况:

• 支气管前恶性病变 (PMLs) 是入侵性肺状细胞癌 (LUSC) 的前体.
• 区分渐进性和回归性PML对于有效的患者管理至关重要.
• 目前的方法在准确预测PMLs的临床轨迹方面面临挑战.

研究的目的:

• 开发和验证一种新的计算方法来分层支气管前恶性病变.
• 评估图形感知器网络在分类肺组织 (包括PMLs) 的性能.
• 评估图形感知器网络在预测肺状细胞癌前恶性病变进展状态方面的实用性.

主要方法:

• 利用图形感知器网络,一种新的计算方法.
• 使用血素和素染色的全幻灯片图像,对内支气管活检进行检查.
• 在癌症基因组图谱和临床蛋白质瘤分析联盟数据集以及两个临床队列上验证了网络.

主要成果:

• 与现有的框架相比,图形感知器网络对LUSC,肺腺癌和非瘤肺组织的分类准确度更高.
• 该网络生成了与病理学家一致的,特定于类的热图,提高了可解释性.
• 它成功地在临床队列中根据其进展到侵袭性癌症的基础上在现场肺状瘤中区分了癌症.

结论:

• 图形感知器网络在准确分层支气管前恶性病变方面显示出显著的希望.
• 这种人工智能工具可能有助于识别可能受益于化疗预防或更密切监测的患者.
• 该网络能够预测进展状态,为肺癌研究和临床决策提供了宝贵的工具.