结合专家在循环中的随机森林多类细分U网络基于人工智能模型:在纤维化和非纤维化微环境中评估非小细胞肺癌
Anjali Saqi1, Yucheng Liu2, Michelle Garlin Politis3
1Department of Pathology and Cell Biology, Columbia University Irving Medical Center, 630 West 168th Street, New York, NY, VC14-215, 10032, USA. aas177@cumc.columbia.edu.
Journal of translational medicine
|July 8, 2024
概括
这项研究开发了一个AI模型,使用H&E全幻灯片图像来分析肺癌中的瘤微环境 (TME). 人工智能模型成功地在纤维化和非纤维化肺组织中的腺癌和状细胞癌的TME中发现了显著的差异.
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
- 瘤微环境分析分析
背景情况:
- 瘤微环境 (TME) 对肺癌的进展至关重要.
- 人工智能 (AI) 提供了加速TME分析的潜力.
研究的目的:
- 评估使用H&E染色全幻灯片图像 (WSI) 进行人工智能驱动的TME评估的可行性.
- 在纤维化和非纤维化肺组织中描述TME腺癌 (ADCA) 和状细胞癌 (SCCA) 之间的差异.
主要方法:
- 开发一个人工智能模型,结合专家在循环 (EITL) 随机森林 (RF) 和卷积神经网络 (CNN) 分类器.
- 训练和模型的应用76 WSI从肺ADCA和SCCA病例和没有纤维化.
- 量化TME组件,包括瘤筋膜比率 (TSR) 和瘤纤维化比率 (TFR).
主要成果:
- 人工智能模型以91%的F1得分实现了高性能.
- 在纤维化和非纤维化ADCA之间观察到TSR和TFR的显著差异.
- 在纤维化肺组织中,在ADCA和SCCA之间确定了明显的TME概况.
结论:
- 使用H&E WSI的AI模型可以有效地评估和量化TME.
- 在ADCA和SCCA之间存在TME的显著差异,受到肺纤维化的影响.
- 需要进一步的研究,以将TME特征与患者的预后和治疗反应相关联.
