基于深度学习的检测和在肺腺癌中通过空气空间 (STAS) 传播的半定量模型
Yipeng Feng1,2,3, Hanlin Ding1,2,3, Xing Huang4
1Department of Thoracic Surgery, Nanjing Medical University Affiliated Cancer Hospital & Jiangsu Cancer Hospital & Jiangsu Institute of Cancer Research, 21009, Nanjing, China.
NPJ precision oncology
|August 5, 2024
概括
一个新的深度学习模型,STASNet,改善了肺腺癌 (LUAD) 中通过空气空间 (STAS) 传播的瘤的检测. 这种人工智能工具通过量化STAS和识别微妙病例来帮助病理学家,提高诊断准确度.
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:
- 通过空气空间传播的瘤 (STAS) 是肺腺癌 (LUAD) 的关键预后因素.
- 准确的STAS检测面临着错误诊断,不一致的病理学家协议和有限的定量指标等挑战.
- 数字病理学和人工智能为客观的STAS评估提供了潜在的解决方案.
研究的目的:
- 开发和验证一个深度学习模型 (STASNet) 用于在LUAD中自动检测STAS.
- 引入来自STASNet的半定量参数,用于预后分层.
- 在实时诊断环境中评估STASNet的性能.
主要方法:
- 使用了来自LUAD患者的489张数字整体幻灯片图像 (WSI) 的数据集.
- 一个深度学习模型,STASNet,被设计用于层STAS检测和WSI层分类.
- 计算了包括STAS密度和距离 (例如T10S) 在内的半定量参数.
- 用准确度和AUC评估模型性能;通过生存分析测试预后值.
主要成果:
- 对于层级的STAS检测,STASNet实现了0.93的准确性.
- 该模型显示了WSI级STAS状态确定值的AUC为0.72-0.78.
- 具有空间信息的T10S参数,在I阶段LUAD患者中显著分层的无疾病生存率.
- 实时部署提高了STAS检测率,并确定了三种隐藏的STAS类型.
结论:
- STASNet提供了一种准确和定量方法,用于在LUAD中检测STAS.
- 像T10S这样的AI衍生参数可以提高早期LUAD的预后评估.
- 将STASNet集成到临床工作流程中可以提高诊断准确度,并识别具有挑战性的STAS病例.
