通过深度学习和病理学来确定侵入性,以帮助肺腺癌的诊断

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:

• 目前的肺腺癌 (LUAD) 亚型分类缺乏临床整合.
• 准确评估瘤的侵入性对于LUAD患者的管理至关重要.
• 在LUAD中,地面玻璃结节 (GGNs) 需要精确的诊断工具.

研究的目的:

• 评估结合深度学习和病理学的可行性,以预测LUAD的侵入性.
• 评估AI辅助病理学对初级和中级病理学家的临床价值.
• 通过计算病理学来提高LUAD的诊断准确性.

主要方法:

• 对289名患有GGN的LUAD患者的整个幻灯片图像 (WSI) 的回顾性分析.
• 利用ResNet深度学习模型进行瘤区域识别和特征提取.
• 开发了使用机器学习分类器的病理学模型来预测瘤侵入性.

主要成果:

• 在识别瘤区域方面,ResNet18表现出高性能 (AUC 0.956).
• 随机森林病理学模型实现了良好的准确性 (0.814) 和AUC (0.807) 侵入性预测.
• 人工智能辅助显著提高了病理学家的诊断准确性 (AUC从~0.55-0.66增加到~0.76).

结论:

• 深度学习和病理学整合显示出在LUAD诊断中临床应用的巨大潜力.
• 基于人工智能的工具可以有效地支持病理学家,特别是初级和中级病理学家.
• 这种方法为改善LUAD诊断准确性和患者分层提供了有价值的辅助.