皮肤黑色素瘤患者的风险分数分层,基于深度学习的整片图像分析
Céline Bossard1,2, Yahia Salhi2, Amir Khammari3
1Pathology Department, IHP Group, Nantes, France.
概括
深度学习工具SmartProg-MEL使用标准组织图像准确预测黑色素瘤存活率. 这种人工智能模型改善了患者的风险分层,指导了更好的辅助治疗决策.
科学领域:
- 在瘤学瘤学.
- 数字病理学数字病理学
- 人工智能的人工智能
背景情况:
- 初级皮肤黑色素瘤风险分层需要改进辅助治疗指导.
- 血素和乙素 (HE) 染色的组织含有未开发的形态数据.
- 开发了一种弱监督的深度学习方法,SmartProg-MEL,用于预测HE染色全幻灯片图像 (WSI) 的存活率.
研究的目的:
- 开发和验证SmartProg-MEL,这是一种用于预测黑色素瘤患者生存结果的深度学习模型.
- 根据已确定的预后因素评估模型的性能.
- 评估人工智能在改善黑色素瘤风险分层方面的潜力.
主要方法:
- 设计了一个深度神经网络,从WSI中提取形态特征.
- 该模型预测了5年总生存期 (OS),并分配了生存风险得分.
- 培训和验证是在发现 (n=342) 和外部队列 (n=161,n=63) 上进行的,通过一致性指数 (c-index) 测量性能.
主要成果:
- 智能Prog-MEL的c指数达到0.78 (交叉验证),0.72 (交叉测试),0.71 (外部队列1) 和0.69 (外部队列2).
- 该模型是多变量分析中的独立和强大的预后因素 (HR=1.84,p<0.005).
- 智能Prog-MEL有效地将患者分为低风险和高风险组,具有显著不同的5年生存期.
结论:
- 自动化的SmartProg-MEL模型在预测5年的OS和分层皮肤黑色素瘤风险方面超过了当前的临床病理因素.
- 将SmartProg-MEL集成到临床工作流程中可以增强辅助疗法选择的决策.
- 人工智能驱动的WSI分析为改善黑色素瘤患者管理提供了一个有希望的途径.
