深度学习分类和量化从数字基因病理图像中切除的肝细胞癌中的性和非性架构

科学领域:

• 肝胆病理学 肝胆病理学
• 计算病理学计算病理学
• 医学中的人工智能

背景情况:

• 肝细胞癌 (HCC) 在切除肝脏后复发是常见的,需要对辅助治疗进行风险分层.
• 准确的复发组织学预测因素,如微血管侵袭 (mVI),是耗时和不完美的评估.
• 识别患有复发高风险的患者对于优化术后治疗策略至关重要.

研究的目的:

• 开发和验证一种深度学习算法,用于识别和量化与HCC复发相关的不良组织结构.
• 评估算法在预测复发风险方面的表现及其与mVI.VI等既有预测器的相关性.
• 为早期HCC复发建立基于AI的复合预测算法奠定基础.

主要方法:

• 一个受监督的深度学习模型 (ResNet34) 在107个肝切除标本的680个全幻灯片图像 (WSI) 上进行了训练.
• 该算法旨在识别和量化暗示复发风险的轻蔑架构.
• 模型的性能在补丁和WSI水平上进行了评估,并在29个HCC病例的外部队列上进行了验证.

主要成果:

• 人工智能模型在识别义架构 (0.864补丁级别,0.823 WSI级别) 中取得了高准确性.
• 外部验证证明了良好的概括能力,准确度为0.787 WSI级.
• 量化义架构与微血管入侵和瘤栓塞有积极的相关性,这表明它们是可靠的替代品.

结论:

• 人工智能驱动的对义架构的识别是HCC中微血管入侵的有希望的,高效的替代品.
• 这种方法为早期切除后复发风险提供了强大的预测价值.
• 这项研究是迈向人工智能集成的HCC复发预测算法的重要第一步.