在纤维皮质病变中核形态分析的临床值
Conrad Lee1, Heilum Yip1, Joshua J X Li1
1Department of Anatomical and Cellular Pathology, State Key Laboratory of Translational Oncology, Prince of Wales Hospital, Prince of Wales Hospital, The Chinese University of Hong Kong, Ngan Shing Street, Shatin, NT, Hong Kong SAR.
Breast cancer research : BCR
|November 11, 2024
概括
数字核形态分析提供了乳腺纤维皮质病变 (FEL) 的客观差异化. 这种方法有助于区分纤维腺瘤和植物瘤,并预测瘤的结果,提高诊断准确度.
科学领域:
- 在瘤学瘤学.
- 数字病理学数字病理学
- 生物统计学 生物统计学
背景情况:
- 乳房的纤维状皮质病变 (FEL) 包括纤维腺瘤 (FAs) 和乳腺瘤 (PTs).
- 正确的诊断和FEL的分级是具有挑战性的,因为重叠的组织学特征.
- 需要客观的诊断工具来补充主观的组织学评估.
研究的目的:
- 评估数字核形态分析在区分乳腺FELs中的实用性.
- 评估核形态测量的潜力,以预测类型瘤的预后.
- 建立FEL诊断和PT分级的客观标准.
主要方法:
- 对241个PT和59个FA进行了数字核形态分析.
- 使用QuPath软件量化了核心的关键特征 (面积,周长,圆性,离心率).
- 免疫组织化学被用来排除非流体成分.
主要成果:
- 在FA和良性PT之间观察到核特征的显著差异 (p ≤ 0.002).
- 核面积,周长,最小口径和与PT分级相关的离心率 (p ≤0.022).
- 该模型实现了90%的特异性和70%的敏感性,用于FA与良性PT分化;78%的特异性和96%的敏感性,用于良性/边缘性与恶性PT分级.
结论:
- 数字核形态分析可以客观地区分FEL.
- 这种技术显示出预测PT结果的潜力,包括复发风险.
- 这些发现支持开发用于FEL诊断中的核形态学深度学习算法.
