使用数字整片图像进行手术前乳腺活检的基于深度学习的风险分层

科学领域:

• 数字病理学数字病理学
• 人工智能在瘤学中的应用
• 乳腺癌的预后 乳腺癌的预后

背景情况:

• 诺丁汉组织学等级 (NHG) 是乳腺癌的预后因素,但具有很高的评估者间变异性,特别是中等等级 (NHG2) 瘤.
• 深度卷积神经网络DeepGrade以前被开发用于切除的瘤标本的风险分层.

研究的目的:

• 评估DeepGrade模型对瘤活检样本风险分层的适用性.
• 评估DeepGrade是否能够预测高风险 (NHG3) 和低风险 (NHG1) 乳腺癌瘤,仅使用手术前活检图像.

主要方法:

• 分析了1169张手术前乳腺癌活检全幻灯片图像中的11,955,755个的数据集.
• 应用了DeepGrade模型来预测低风险和高风险瘤,并使用AUC对临床指定的等级 (NHG1,NHG3) 和切除样本等级进行评估.
• 预测值是使用时间到事件分析来评估的.

主要成果:

• 在从活检图像中预测NHG1和NHG3等级时,DeepGrade获得了0.908的AUC.
• 在NHG2瘤中,65%被归类为深度级低,35%被归类为深度级高.
• 多变量考克斯模型显示,DeepGrade低风险和高风险组之间的危险比为2.01.

结论:

• DeepGrade成功地预测了仅使用活检样本的切除样本上的瘤等级 (NHG1,NHG3).
• 深度级模型为从手术前活检中识别高风险瘤提供决策支持.
• 这可以导致乳腺癌患者的治疗决策得到改善和更早.