开发和验证深度学习模型,以使用临床数据和数字病理学来进行骨髓扩散性瘤的形态评估
Rong Wang1, Zhongxun Shi1, Yuan Zhang2,3
1Department of Haematology, Collaborative Innovation Center for Cancer Personalized Medicine, Jiangsu Province Hospital, The First Affiliated Hospital of Nanjing Medical University, Nanjing, China.
British journal of haematology
|December 11, 2024
概括
诊断骨髓增殖性瘤 (MPNs) 是一个挑战. 结合深度学习 (DL) 和临床数据的新型融合模型显示,MPN亚型的诊断性能与高级血液病理学家可比.
科学领域:
- 血液学 血液学 血液学
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 骨髓扩散性瘤 (MPNs) 的形态评估面临着由于主观性和重叠特征的挑战.
- 准确的MPN诊断对于有效的治疗和患者的结果至关重要.
- 现有的诊断方法可能缺乏复杂MPN亚型所需的精度.
研究的目的:
- 开发和验证MPNs的新型诊断模型.
- 为了提高MPN诊断中的病理评估的准确性.
- 对人类专家评估综合深度学习和临床数据模型的性能.
主要方法:
- 开发了一个融合模型,整合了骨髓全幻灯片图像,并通过深度学习 (DL) 模型分析了临床参数.
- 共有1051名MPN和非MPN患者被纳入培训,内部测试和验证队列.
- 融合模型的诊断性能与仅DL模型,仅临床模型和血液病理学家进行了比较.
主要成果:
- 与验证队列中的单个模型相比,融合模型显示了MPN和亚型识别曲线下的优越区域 (AUC).
- 临床模型的AUC用于多细胞血症真实识别与高级血液病理学家相比较,高于初级血液病理学家.
- 融合模型的AUC对基本血栓细胞瘤和原发性髓纤维化亚型的AUC与高级血液病理学家相比,高于初级血液病理学家.
结论:
- 开发的融合模型实现了与高级血液病理学家相当的诊断性能,并且优于初级血液病理学家.
- 这项研究为MPN形态评估使用深度学习算法提供了新的视角.
- 融合模型在提高MPN诊断的准确性和一致性方面显示出前景.
