高度血清性卵巢癌的基于人工智能的组织病理学亚型化

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 卵巢高度血清癌 (HGSC) 包含四种亚型,具有不同的预后和治疗反应.
• 从历史上看,HGSC亚型的准确分类依赖于主观病理学家的评估,导致变异性.
• 需要一种标准化,客观的方法来对HGSC亚型进行分类.

研究的目的:

• 开发和验证基于深度学习的通用算法,用于分类高高质量化学品的亚型.
• 在多个独立的队列中评估算法的准确性.
• 研究AI分类HGSC亚型的预后意义,特别是中酶体过渡 (MT) 组.

主要方法:

• 一个人工智能 (AI) 算法使用来自癌症基因组图谱 (TCGA) 数据集的整个幻灯片图像进行训练.
• 人工智能分析了形态模式和瘤透的淋巴细胞数量以进行分类.
• 算法性能在独立的队列上得到验证:JGOG3022A1和Kindai/京都大学.

主要成果:

• 人工智能算法实现了很高的分类准确度:0.933 (TCGA),0.910 (JGOG3022A1) 和0.862 (Kindai/京都).
• 在TCGA队列中,人工智能识别的介质细胞过渡 (MT) 亚型与明显较差的整体存活率相关 (P=0.017).
• 以人工智能为基础的MT亚型分类作为一个独立的预后因素,与残留疾病,阶段和年龄一起出现.

结论:

• 一个基于人工智能的强大算法用于分类卵巢HGSC亚型已经成功开发和验证.
• 人工智能算法提供了一种客观而准确的方法,用于使用虚拟幻灯片进行高高质量碳化合物亚型分类.
• 这种人工智能工具有可能改善HGSC患者的预后评估和指导治疗策略.