人工智能辅助检测乳腺癌淋巴结转移在后neoadjuvant治疗设置中的癌症
Tony Xu1, Dina Bassiouny2, Chetan Srinidhi3
1Department of Medical Biophysics, University of Toronto, Toronto, Ontario.
Laboratory investigation; a journal of technical methods and pathology
|February 28, 2025
概括
这项研究开发了一种深度学习工具,在新辅助全身疗法 (NAT) 后准确检测淋巴结中的乳腺癌转移. 人工智能管道提高了病理学家在识别转移性淋巴结的准确性和效率.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 人工智能的人工智能
背景情况:
- 淋巴结转移的评估对于病理学家来说至关重要但具有挑战性.
- 现有的深度学习模型缺乏对接受新辅助全身疗法 (NAT) 的患者的评估.
研究的目的:
- 开发和评估一个可通用的深度学习管道,用于在NAT后检测乳腺癌在淋巴结中的转移.
- 评估包括NAT后治疗效应在培训数据中的影响.
主要方法:
- 创建了一个1027片的乳腺癌患者的数据集,这些患者接受了NAT治疗.
- 开发了一种可解释的深度学习管道,用于幻灯片分类和转移概率热图生成.
- 评估管道性能,有或没有NAT后处理效果数据.
主要成果:
- 训练后NAT处理效应改善了管道的特异性.
- 最终的管道实现了0.986的AUC,用于幻灯片级分类.
- 补丁级热图帮助病理学家纠正错误的预测.
结论:
- 结合NAT后治疗效应的深度学习模型提高了淋巴结转移检测的准确性.
- 可解释的人工智能工具可以帮助病理学家,提高诊断效率和可靠性.
