简化手术内脑瘤分类和立体活检中的分子亚型化,使用刺激拉曼组织学和深度学习

科学领域:

• 神经瘤学神经瘤学
• 医疗人工智能 医疗人工智能
• 数字病理学数字病理学

背景情况:

• 脑瘤的手术内诊断对于指导手术决策至关重要.
• 刺激拉曼组织学 (SRH) 为快速组织分析提供无标签成像.
• 深度学习 (DL) 在自动化组织病理学解释方面表现有前途.

研究的目的:

• 评估深度学习算法,以从立体脑活检中的SRH图像中快速进行手术内诊断.
• 定义一个最小的组织样本大小值,以确保诊断的准确性.
• 为了比较基于DL的SRH分析与冷截面分析.

主要方法:

• 一项前性研究分析了来自84名内病变患者的121张SRH图像.
• 开发了三种DL模型,以识别瘤/非瘤组织,分类瘤,并确定分子亚型.
• 使用便携式光纤激光拉曼散射显微镜获得SRH图像.

主要成果:

• DL模型在识别瘤/非瘤组织方面实现了91.7%的准确性.
• 脑瘤分类的准确性受样本大小的影响 (81.6%的冷部分,73.9%的DL).
• 有了足够的样本大小 (>140个补丁,5.26毫米2),DL实现了89.5%的分类和93.9%的分子分类精度.

结论:

• 以人工智能为基础的SRH图像分析与冷部位分析在小型活检中用于脑瘤检测和分类的分析无差.
• 通过SRH,可以确定分子质瘤的亚型,从而有可能加快治疗决策.
• 基于AI的SRH的长期临床应用需要进一步细化.