深度学习和数字病理学有助于预测脂肪性肝病中HCC发展的预测
Takuma Nakatsuka1, Ryosuke Tateishi1, Masaya Sato1,2
1Department of Gastroenterology, Graduate School of Medicine, The University of Tokyo, Tokyo, Japan.
Hepatology (Baltimore, Md.)
|May 20, 2024
概括
一种深度学习 (DL) 模型使用全幻灯片图像准确预测脂肪性肝病患者的肝细胞癌 (HCC). 这种人工智能工具可以识别传统纤维化评估之外的早期癌症症状.
科学领域:
- 数字病理学数字病理学
- 医学中的人工智能
- 肝病学 肝病学是一种肝病学.
背景情况:
- 在脂肪性肝病 (SLD) 中识别肝细胞癌 (HCC) 的高风险患者是具有挑战性的.
- 目前的方法可能无法完全捕捉肝癌发生的早期迹象.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于预测SLD患者的HCC发展.
- 用血素和乙染色的整片图像用于HCC风险预测.
主要方法:
- 使用深卷积神经网络的DL模型在SLD患者的全幻灯片图像上进行了训练.
- 配对和非配对的案例分别用于培训和验证.
- 用准确度和曲线下的面积 (AUC) 来评估模型性能.
主要成果:
- DL模型在训练中达到81.0%的准确率和0.80 AUC,在验证中达到82.3%的准确率和0.84 AUC.
- 性能与基于纤维化阶段的逻辑回归模型相比.
- DL模型确定了轻度纤维化患者的HCC发展,并突出了关键的病理特征.
结论:
- DL模型显示了SLD患者早期肝癌发生检测的潜力.
- 它可以识别超出纤维化阶段的微妙病理特征.
- 这种AI方法可以改善SLD中HCC的风险分层.
