基于人工智能的神经质瘤的形态分类和分子特征从数字遗传病理学

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
• 儿科瘤诊断 儿科瘤诊断

背景情况:

• 精确分类神经质瘤对于治疗至关重要.
• MYCN放大状态是神经母细胞瘤的一个关键预后因素.
• 数字病理学和人工智能为改善诊断准确性提供了潜力.

研究的目的:

• 开发和验证用于神经母细胞瘤分类的深度学习模型.
• 评估模型预测MYCN放大状态的能力.
• 评估AI在自动化神经母细胞瘤诊断中的实用性.

主要方法:

• 开发基于注意力的多实例学习 (aMIL) 和自我监督学习 (SSL) 模型.
• 在H&E染色全片数字图像上进行培训和测试. 神经质瘤的数字图像.
• 在识别诊断类别,等级,MKI和MYCN放大方面的性能评估.

主要成果:

• 人工智能模型在分类神经母细胞瘤方面表现出强的表现.
• 实现了诊断类别,等级,MKI和MYCN放大精确的预测.
• 该模型在外部测试数据集上显示出强大的性能.

结论:

• 使用aMIL和SSL的基于AI的方法可以自动化神经母细胞瘤诊断.
• 这种工具可以进行精确的分类和MYCN放大状态评估.
• 开发的模型代表了儿童瘤学计算病理学的宝贵进步.