开发和验证使用免疫组织化学标记物进行淋巴瘤分类的层次方法

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 生物信息学是一种生物信息学.

背景情况:

• 准确的淋巴瘤分类对于有效的患者治疗至关重要.
• 免疫组织化学 (IHC) 提供了一种具有成本效益和节省时间的诊断方法.
• 现有的机器学习 (ML) 算法往往专注于特定的任务,限制了它们在全诊断工作流程中的临床适用性.

研究的目的:

• 开发一种经济有效的ML辅助系统,以简化淋巴瘤差异诊断工作流程.
• 将EBER in situ杂交和IHC标记器整合到一个层次的诊断方法中.
• 为了提高ML应用在临床淋巴瘤诊断中的实用性.

主要方法:

• 开发了一种分层的ML方法,模仿人类的诊断过程.
• 简化的IHC标记面板被用于顺序,可解释的分类.
• 用两个主要癌症中心和外部队列的数据评估了诊断准确度和标记器节约率.

主要成果:

• 该系统在各种淋巴瘤亚型 (AUC从0.868到0.983) 中表现出高的区分能力.
• 通过优化标记器使用,实现了显著的成本节约,节省的比率从3.67%到21.73%.
• 该系统在内部和外部验证队伍中被证明是有效的和节省成本的.

结论:

• 成功开发了一种基于ML的新层次系统,集成EBER in situ杂交和IHC标记器.
• 该系统有效地简化了淋巴瘤病理亚型的确定和整体诊断工作流程.
• 开发的系统被证明是有效的,节省成本,并适合在未来的临床实践中负担得起的采用.