通过对H&E图像进行深度学习,自动区分神经内分泌癌和3级神经内分泌瘤

科学领域:

• 在瘤学中计算病理学和人工智能.
• 组织病理图像分析用于癌症诊断.

背景情况:

• 神经内分泌瘤 (NENs) 被分为分化良好的神经内分泌瘤 (NETs) 或分化差的神经内分泌癌 (NECs),具有不同的治疗影响.
• 精确的区分至关重要,特别是在模两可的形态或高增殖指数 (Ki-67/mitosis) 的具有挑战性的病例中.
• 目前的诊断方法在准确分类NEN方面存在局限性,需要先进的工具.

研究的目的:

• 开发和评估一个深度学习 (DL) 系统,NEToC,用于区分NET和NEC,仅使用来自免疫组织化学图像的形态信息.
• 评估NEToC在各种图像分辨率上的表现及其在分类具有挑战性的NEN案例中的稳定性.
• 为病理学部门提供一种可适应的工具,以提高NEN诊断的准确性和标准化.

主要方法:

• 开发NEToC,一个DL系统,利用来自95个NEN病例 (2015-2018) 588个免疫组织化学图像的形态数据.
• 在119个独立图像上测试NEToC的性能,分辨率从64x64到512x512像素.
• 评估分类准确性,稳定性和最佳分辨率,以区分NEN亚型,包括代表性不足的NET G3案例.

主要成果:

• NEToC实现了高准确度,在128x128和256x256分辨率达到98%,在代表性不足的NET G3的512x512分辨率达到100%.
• 在128x128和256x256分辨率之间观察到最佳性能,256x256在代表性不足的类别中更强大.
• 错误分类主要是假阴性,NET G1图像被错误地归类为NEC类型,表明需要更好的分辨率 (≤4μm/像素).

结论:

• 基于DL的NEToC系统显示了在具有挑战性的NEN病例中提高诊断准确性的巨大潜力.
• 由于NEToC能够仅使用形态信息,因此无需Ki-67或线粒分裂评估,从而简化了诊断.
• 该系统可适应胃肠道NEN和潜在的其他器官,促进联合监督和加强诊断标准化.