在整个幻灯片图像上对乳头甲状腺癌的驱动突变进行分类:采用深 convolutional 神经网络的自动化工作流程
1Department of Genomic Medicine, University of Texas, MD Anderson Cancer Center, Houston, TX, United States.
Frontiers in endocrinology
|November 20, 2024
概括
这项研究开发了一种使用深卷积神经网络 (CNN) 的自动化工作流程,从整个幻灯片图像 (WSI) 中对乳头甲状腺癌 (PTC) 驱动突变进行分类. 人工智能模型准确预测突变,有助于癌症管理.
科学领域:
- 数字病理学数字病理学
- 计算瘤学是一种计算瘤学.
- 机器学习在癌症研究中的应用
背景情况:
- 生物标志物对于癌症管理决策至关重要.
- 深层卷积神经网络 (CNN) 显示出从基因病理图像中预测癌症驱动基因突变的潜力.
- 整个幻灯片图像 (WSI) 分析对于临床应用很重要.
研究的目的:
- 为WSIs开发一个自动化图像预处理工作流.
- 根据使用WSIs的驱动突变对乳头甲状腺癌 (PTC) 进行分类.
- 为了训练深度学习CNN模型进行PTC分类.
主要方法:
- 利用了来自癌症基因组图谱 (TCGA) 的组织病理学幻灯片.
- 为WSIs开发了一个自动化取和预处理管道.
- 训练了一个深度学习CNN (谷歌的Inception v3) 来根据BRAF或RAS突变对PTC进行分类.
主要成果:
- 自动化管道的性能与专家策划的图像分类器相提并论.
- 实现的曲线下的面积 (AUC) 为0.86用于验证和0.865用于测试.
- 在验证组中准确预测了90%的瘤,在最终测试组中准确预测了84.2%.
- 分类器的性能与专家策划和基于分子表达的分类器有很强的相关性.
结论:
- 使用深度CNN和WSI实现了一个自动化工作流.
- 该工作流准确地对PTC中的驱动器突变进行分类.
- 这种方法有助于指导癌症管理的临床决策.
