乳腺癌存活率预测使用自动化线粒分裂检测管道
Nikolas Stathonikos1, Marc Aubreville2, Sjoerd de Vries3,4
1Pathology, University Medical Centre Utrecht, Utrecht, The Netherlands.
The journal of pathology. Clinical research
|October 28, 2024
概括
人工智能 (AI) 提供了一种可复制的方法来测量乳腺癌中的线粒细胞计数 (MC),这是患者结果的关键预测因素. 这项研究验证了一个AI算法,证明其可比的预后价值与传统的MC评估.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 医疗成像医学成像
背景情况:
- 线粒细胞计数 (MC) 对乳腺癌预后至关重要,但由于观察者变异性而面临可再生性问题.
- 人工智能 (AI) 在标准化MC评估方面表现有前途.
- 在大型队列中验证AI的预后能力对于临床采用至关重要.
研究的目的:
- 评估基于人工智能的完全自动化线粒细胞计数 (MC) 方法对乳腺癌的预后价值.
- 在一大群患者中,将AI衍生的MC与传统的光显微镜MC的预测准确度进行比较.
- 评估AI在乳腺癌诊断中提高MC的可再生性和临床实用性的潜力.
主要方法:
- 使用了一个深度学习模型,该模型是为2021年Mitosis Domain Generalization Challenge (MIDOG21) 开发的.
- 一个新的自动区域选择器确定了MC计算的最佳线粒热点 (每2mm2).
- 人工智能方法应用于乳腺癌队列 (N=912) 进行长期随访,将其预后值与常规光显微镜MC进行比较.
主要成果:
- 基于人工智能的MC显示出与常规诊断期间评估的传统MC的预后可比性.
- 单变体和多变体生存分析都证实了AI衍生的MC的预后值.
- 完全自动化的人工智能算法成功识别了整个幻灯片图像上的线粒分裂,并计算了MC.
结论:
- 一个完全自动化的AI算法用于乳腺癌中线粒细胞计数已经得到了验证.
- 人工智能方法保持了与传统光显微镜MC可比的预后价值.
- 人工智能具有显著的潜力,可以提高MC在乳腺癌管理中的可再生性和临床实用性.
更多相关视频
08:32Using Computer-based Image Analysis to Improve Quantification of Lung Metastasis in the 4T1 Breast Cancer Model
Published on: October 2, 2020
6.2K
07:41Performing Data Mining And Integrative Analysis Of Biomarker in Breast Cancer Using Multiple Publicly Accessible Databases
Published on: May 17, 2019
8.9K
