自动核形态测量:用于预测犬肺癌的深度学习方法,以提高可再生性
Imaine Glahn1, Andreas Haghofer2,3, Taryn A Donovan4
1Institute of Pathology, University of Veterinary Medicine Vienna, 1210 Vienna, Austria.
Veterinary sciences
|June 26, 2024
概括
深度学习准确地评估了狗肺癌中的核形,提供了可重复和高效的预后工具. 这种自动化方法有望改善癌症诊断和患者的治疗结果.
科学领域:
- 兽医病理学 兽医病理学
- 计算病理学计算病理学
- 人工智能在诊断中的应用
背景情况:
- 深度学习工具越来越多地被整合到诊断工作流程中,以提高效率和可重复性.
- 核形 (NP) 是犬肺癌 (cPC) 分级中恶性瘤的一个关键标准.
- 准确的NP评估对于预后至关重要,但可能是主观的和耗时的.
研究的目的:
- 评估使用深度学习评估cPC中NP的自动核形态学的实用性.
- 确定人工智能驱动的cPC中NP评估的预后影响.
- 将深度学习算法的性能与手动形态测量和常规预后测试进行比较.
主要方法:
- 开发一个基于深度学习的核细分和NP评估算法 (anisokaryosis/shape).
- 对46个cPC案件的评估,包括全面的后续数据.
- 将算法的NP评估与手动形态测量,病理学家的估计,线粒细胞计数,组织学分类和TNM阶段进行比较.
主要成果:
- 通过算法评估的核面积的标准偏差 (核病) 显示出对瘤特异性存活率的良好区分能力 (AUC=0.80,HR=3.38).
- 该算法的性能与手动形态测量相当.
- 病理学家的NP估计显示观察者间可重现性差 (k=0.204) 和可变的预后值 (HR 0.86-34.8);传统测试缺乏显著的预后值.
结论:
- 使用深度学习的完全自动化的核形态测量为评估cPC中的NP提供了一种时间效率高,可复制和具有预后价值的方法.
- 人工智能算法展示了改善犬肺癌预后准确性的潜力.
- 需要对更大的队列进行进一步的算法改进和验证.
