使用在免疫组织化学恢复的幻灯片上训练的人工智能进行瘤细胞性评估,改善了为分子测试选择肺腺癌样本的选择

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 在瘤学瘤学.

背景情况:

• 在肺腺癌中,准确的瘤细胞性 (TC) 评估对于识别可操作的突变至关重要.
• 由于缺乏标准化的指导方针,TC评估中存在高的观察者间变异性.

研究的目的:

• 开发和验证基于人工智能 (AI) 的管道,用于评估血素和素 (H&E) 整片图像 (WSI) 中的TC.
• 评估人工智能管道对病理学家之间的分子测试适用性观察者间协议的影响.

主要方法:

• 与CaBeSt-Net一起开发了一个人工智能管道,用于细胞掩盖和核检测模型.
• 经过训练的CaBeSt-Net在免疫组织化学染色的幻灯片上进行了准确的细胞类型识别.
• 使用感兴趣区域 (ROI) 验证了AI表现,并将病理学家TC评估与50个WSI的AI支持和没有AI支持进行了比较.

主要成果:

• CaBeSt-Net实现了高掩盖精度 (>91%) 和人工智能辅助TC评估显示高可靠性 (ICC>0.97).
• 人工智能支持显著改善了分子测试样本分类的一致性 (WSIs 的κ=0.602,TA 的κ=0.704),与没有人工智能支持相比 (WSIs 的κ=0.132,TA 的κ=0.410).
• 随着人工智能的协助,病理学家协议得到了大幅改善.

结论:

• 新的AI管道有效地评估了H&E WSIs中的TC,提高了准确性和可靠性.
• 这种人工智能工具帮助病理学家选择适当的样本进行分子测试,从而改善可操作突变的识别.
• 该管道有可能标准化TC评估,减少肺腺癌诊断的变化.