斯皮茨瘤的组织学解释:基于机器学习的广泛一致性分析,以改善决策

科学领域:

• 皮肤病理学 皮肤病理学
• 计算病理学计算病理学
• 生物信息学是一种生物信息学.

背景情况:

• 具有状特征的黑色细胞瘤的组织病理学分类存在诊断挑战.
• 观察者之间的变异性可能会影响分类这些具有挑战性的瘤的准确性.
• 需要客观的分类标准来提高诊断的一致性.

研究的目的:

• 开发和评估机器学习 (ML) 算法,用于客观地分类具有状特征的黑色细胞瘤.
• 识别和排列瘤分类中最重要的临床病理变量.
• 评估ML算法的准确性和实用性,以区分良性,非典型和恶性状瘤.

主要方法:

• 利用了来自四个国家的122种黑色素细胞瘤 (良性,非典型,恶性) 的数据集.
• 进行差异分析 (ANOVA) 来排名22个临床病理变量.
• 应用高斯的天真贝叶斯和物流回归算法用于分类任务.

主要成果:

• 高斯的天真贝叶斯获得了0.95准确度和0.87卡帕分数,区分了斯皮茨纳维斯和恶性斯皮茨状瘤.
• 对于良性与非良性斯皮茨瘤,达到了0.88的卡帕得分.
• 后勤回归实现了0.85准确度和0.66卡帕不典型的斯皮茨瘤与斯皮茨黑色素瘤,大多数不典型的病例被错误地归类为黑色素瘤.

结论:

• 拟议的ML算法在支持状瘤组织学分类方面表现有前途.
• ML可以提高准确性,客观性,并减少瘤诊断中的观察者间变异性.
• 这些算法为斯皮茨/斯皮茨瘤缺乏明确的分类值提供了潜在的解决方案.