一个完全自动化和可解释的算法,用于预测在口腔上皮质发育不良时的恶性转变

科学领域:

• 数字病理学数字病理学
• 人工智能在医学中的应用
• 口腔癌研究 在口腔癌研究.

背景情况:

• 口腔上皮质质变形症 (OED) 的分级具有很高的观察者间/观察者内部变异性.
• 目前的OED分级不能可靠地预测恶性病变的进展.
• 这种变化可能导致不理想的临床治疗决策.

研究的目的:

• 开发和验证用于预测OED恶性转变风险的AI算法.
• 创建一个口腔恶性转变 (OMT) 风险评分使用H&E整个幻灯片图像 (WSIs).
• 评估算法的性能与现有的分级系统及其预测值相比.

主要方法:

• 开发了一个人工智能管道,使用内部细分模型来检测核和上皮质.
• 利用具有可解释的形态和空间特征的浅层神经网络来预测进展.
• 在内部 (谢菲尔德; n=193) 和外部 (伯明翰,贝尔法斯特; n=89) 队列中验证了算法.

主要成果:

• 在外部验证中,OMTscore获得了0.75的AUROC (回忆=0.92),超过了二进制分级 (AUROC=0.72,回忆=0.85).
• 生存分析表明OMT得分的预后值 (C指数=0.60,p=0.02),与WHO和二进制等级相比.
• 在转化病例的预测补丁中鉴定了周围皮质和内皮质淋巴细胞.

结论:

• 开发的AI算法提供了一个自动化,可解释和外部验证的方法来预测OED转换.
• OMTscore显示了与人类可比的性能,为常规OED分级提供了一个有前途的解决方案.
• 这种人工智能工具可以帮助改善口腔上皮质质变形症患者的治疗决策.