用深度学习分析对切除的结直肠肝转移的组织病理生长模式进行分类
Diederik J Höppener1, Witali Aswolinskiy2, Zhen Qian1
1Department of Surgical Oncology and Gastrointestinal Surgery, Erasmus MC Cancer Institute, University Medical Center Rotterdam, Rotterdam, The Netherlands.
BJS open
|October 29, 2024
概括
一个新的深度学习算法准确地分类结直肠肝转移的生长模式,帮助预后. 这种自动化方法在病理学中的临床应用方面表现有前途.
科学领域:
- 在瘤学瘤学.
- 数字病理学数字病理学
- 人工智能的人工智能
背景情况:
- 组织病理生长模式是结直肠肝转移的关键预后因素.
- 为了在实践和研究中进行高效,客观的评估,需要自动化评分方法.
- 这项研究的重点是开发一种自动化方法来分类脱塑性与非脱塑性生长模式.
研究的目的:
- 开发和验证一个深度学习算法 (神经图像压缩) 用于分类结直肠肝转移的生长模式.
- 使用数字幻灯片,区分脱塑性和非脱塑性组织病理生长模式.
- 评估自动分类与患者存活率的相关性.
主要方法:
- 开发了一个深度学习算法,使用来自荷兰单中心队列 (n=932) 的全幻灯片图像.
- 在另一个荷兰机构 (n=870) 的全幻灯片图像上对算法进行了外部验证.
- 分类二分化肝脏生长模式,与整体存活率相关.
主要成果:
- 神经图像压缩算法实现了高分辨能力 (AUC 0.93-0.95) 来分类脱塑性生长模式.
- 自动化和手动分类显示了关于整体存活的类似预后价值.
- 该算法在开发和外部验证队伍中表现出强的表现.
结论:
- 神经图像压缩方法对于基于病理的结直肠肝转移的分类是有效的.
- 自动增长模式评估显示了临床整合的潜力.
- 这项技术可以提高预后准确性和患者管理.
