人工智能算法在TNBC中得分TIL的分析和临床有效性:我们可以互换使用不同的机器学习模型吗?

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 生物标志物发现发现

背景情况:

• 病理学家读取的瘤透淋巴细胞 (TIL) 对于预测三阴性乳腺癌 (TNBC) 的结果至关重要.
• 目前对TIL的手动评估存在显著的变化,这阻碍了临床应用.
• 人工智能 (AI) 为客观和自动化的TIL评估提供了一个潜在的解决方案.

研究的目的:

• 评估十种不同的AI模型的分析和预测有效性,以在TNBC中得分TIL.
• 为了比较基于AI的TIL得分与传统病理学家读取的评估的性能.
• 确定AI驱动的TILs分析对预测患者结果的临床实用性.

主要方法:

• 十个AI模型在TNBC患者的回顾性和独立的前性队列上进行了测试.
• 用Spearman的等级相关性来评估分析有效性.
• 预后有效性与侵入性无病生存率 (IDFS) 相比,使用考克斯回归分析进行了评估.

主要成果:

• 在AI模型中观察到分析有效性的显著差异 (斯皮尔曼的r = 0.63-0.73,p < 0.001).
• 在10个AI模型中,有8个显示出预后有效性,在外部验证中显示出类似的危险比率 (HR = 0.40-0.47,p < 0.004).
• 人工智能模型,即使是那些经过不那么广泛的培训的人,也显示出对患者生存的预测能力.

结论:

• 人工智能模型显示出在TNBC中对TIL的客观和有效评估的巨大潜力.
• 大多数评估的AI模型都显示出预后有效性,支持它们在临床决策中的使用.
• 通过大型多中心数据集进行标准化是必要的,以确保AI工具在临床实施中具有可比性和可靠性.