一个基于人工智能的模型利用H&E图像来预测阴性哨兵淋巴结黑色素瘤患者的复发情况

科学领域:

• 数字病理学数字病理学
• 黑色素瘤研究研究
• 医学中的人工智能

背景情况:

• 准确的风险分层对于负哨 lymph node (SLN-) 黑色素瘤患者至关重要,以避免不必要的治疗.
• 人工智能 (AI) 提供了改善复发风险预测和辅助治疗选择的潜力.

研究的目的:

• 开发和验证基于AI的模型,用于预测SLN黑色素瘤患者的2年无复发状态 (RFS).
• 评估AI模型的性能,利用来自H&E幻灯片的定量成像信息.

主要方法:

• 人工智能模型在71名SLN黑色素瘤患者的H&E幻灯片上接受了训练,分析了单独使用瘤细胞 (TUMOR ROI) 和瘤透细胞 (TUMOR+INF ROI) 的感兴趣区域 (ROI).
• 模型的性能使用5倍交叉验证进行评估,并对23名SLN黑色素瘤患者的独立队列进行验证.

主要成果:

• 与TUMOR+INFROI相比,分析TUMORROI的AI模型显示出更高的预测性能.
• 在研究队列中,TUMOR ROIs的曲线下面积 (AUC) 为79.1%,灵敏度为81.2%,特异性为70.0%,准确度为73.2%.
• 对外部队列的验证显示AUC为76.5%,灵敏度为66.7%,特异性为70.0%,对于TUMOR ROIs,准确度为70.0%.

结论:

• 这项研究提出了一种新的,非侵入性预后方法,用于黑色素瘤管理.
• 开发的AI方法可以帮助更好地定义SLN黑色素瘤患者的复发风险.
• 进一步的开发可以提高临床决策,关于辅助疗法在黑色素瘤治疗.