一种基于人工智能的新型参数化方法,用于默克尔细胞癌中的流体景观:一个多机构研究
Chau M Bui1, Minh-Khang Le2, Masataka Kawai2
1Department of Pathology, University of Rochester, Rochester, New York.
概括
人工智能准确评估了默克尔细胞癌中的瘤-肌瘤比率 (TSR),确定高TSR是短暂无转移生存的预测因素. 与传统的TSR相比,人工智能对瘤-肌瘤景观 (TSL) 的分类提供了更好的预后价值.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 人工智能在医学中的应用
背景情况:
- 瘤-肌瘤比率 (TSR) 是固体瘤中已知的预后标志物.
- 默克尔细胞癌 (MCC) 的预后需要改进的方法.
- 人工智能为客观的树林景观分析提供了潜力.
研究的目的:
- 评估AI确定TSR在MCC中的临床病理相关性.
- 将基于人工智能的TSR与人类评估进行比较.
- 探索瘤-肌瘤景观 (TSL) 参数的预后效用.
主要方法:
- 开发了一个新的AI框架 (Pre-TOAST和TOAST) 用于分类全幻灯片MCC图像.
- 使用最大概率和集群算法量化TSR和TSL参数.
- 将人工智能衍生的TSR和TSL与人类病理学家对预后相关性的评估进行了比较.
主要成果:
- 人工智能在分类瘤和树皮组成部分方面表现出高准确性 (AUC为Pre-TOAST 1.00,TOAST为0.93).
- 基于人工智能的高TSR亚组显示了明显较短的无转移生存期 (P=.029).
- 人工智能识别的TSL集群 (TSL1与TSL2) 显示了无复发生存率 (P=.045) 和MFS (P<.001) 的显著差异,优于传统TSR.
结论:
- 基于AI的TSR是MCC的显著预后指标,预测了更短的无转移生存期.
- 与传统的TSR相比,人工智能驱动的TSL分类提供了更好的预后歧视.
- 人工智能框架可以可靠地评估TSL来预测MCC预后特征.
