开发一种可解释的深度学习模型,用于在新辅助疗法后评估病理瘤反应

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 数字病理学图像分析图像分析

背景情况:

• 术后的新辅助疗法是局部晚期食道状细胞癌 (ESCC) 的标准.
• 准确的病理反应评估对于评估治疗疗效至关重要,但可能是繁重和不一致的.
• 需要有效和可靠的方法来评估ESCC中的病理反应.

研究的目的:

• 开发一种可解释的深度学习模型,用于ESCC中高效的病理反应评估.
• 为了评估模型的性能与病理学家的共识.
• 使用空间热图用于模型解释和可视化.

主要方法:

• 对337个ESCC切除标本 (第一队列) 和114个 (外部队列2) 的回顾性分析.
• 使用全幻灯片图像 (WSI),使用不同的扫描仪来测试模型的稳定性.
• 开发了一种深度学习模型与知识蒸来分类瘤活力和估计残留瘤百分比,生成空间热图.

主要成果:

• 深度学习模型与病理学家的共识达到了很高的一致性 (R^2为0.8437),相当于高级病理学家.
• 该模型的性能超过了初级病理学家,证明了它的潜力.
• 可视化局部化剩余的可活性瘤,增强显微镜评估.

结论:

• 深度学习显示出在ESCC中协助病理反应评估的巨大潜力.
• 可解释的人工智能,通过空间热图和补丁示例,可以建立临床信任并促进采用.
• 整合计算病理学可以提高瘤治疗决策的效率,一致性和精度.