机器学习简化了不同卵泡甲状腺损伤中的细胞核的形态特征和多类细分:一切都在一个NUTSHELL中

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 甲状腺癌的诊断 甲状腺癌的诊断

背景情况:

• 甲状腺结节的诊断面临边缘病例的挑战,以及带有乳头状核特征 (NIFTP) 的非侵入性卵泡瘤的分类.
• 区分NIFTP与乳腺状甲状腺癌 (PTC) 和超塑性结节 (HP) 对于适当的患者管理至关重要.
• 计算方法有可能通过分析核特征来提高诊断准确性.

研究的目的:

• 识别可视化解释的形态特征,区分NIFTP,PTC和HP.
• 开发用于多类核细分的深度学习模型,以支持甲状腺结节诊断.
• 评估计算分析在减少诊断变异性的有用性.

主要方法:

• 对NIFTP,PTC和HP中核特征的形态测量分析.
• 在全幻灯片图像上开发和培训基于像素的深度学习模型 (NUTSHELL).
• 探索RAS相关突变对NIFTP中核形态学的影响.

主要成果:

• 确定了15个形态特征,区分HP (核间同质性) 与NIFTP (染色质纹理复杂性) 和PTC (核纹理变异性).
• 纳斯赫尔深度学习模型准确地检测和分类了NIFTP,PTC和HP中的整个幻灯片图像中的核.
• 努舍尔的性能与已知病理核评分方法相美.

结论:

• 核形态学的计算分析可以有效地区分甲状腺结节亚型.
• 努舍尔模型是数字病理学的宝贵工具,有助于诊断NIFTP和PTC.
• 这种方法有助于更广泛地获得先进的诊断支持,使数字病理学民主化.