通过深度学习对低温切割病理学的手术内质瘤分级的多中心研究

科学领域:

• 神经外科 神经外科
• 病理学 病理学 病理学
• 人工智能在医学中的应用

背景情况:

• 由于冷切割幻灯片质量差,手术内质瘤分级具有挑战性.
• 准确的分级对于手术策略和患者的治疗结果至关重要.
• 目前的方法缺乏效率和一致性.

研究的目的:

• 开发和验证一个深度学习模型,用于使用冷切割图像进行手术内质瘤分级.
• 评估模型在区分质瘤等级方面的准确性.
• 评估模型对诊断一致性和临床工作流程的影响.

主要方法:

• 开发了一种深度学习模型,即在冷切割上进行手术内质瘤分级 (IGGC).
• 该模型在癌症基因组图谱和临床队列中进行了训练和验证.
• 该模型在五个独立的队列中进行了测试.

主要成果:

• IGGC模型实现了0.99的接收器操作特征曲线下的面积,用于高度与低度质瘤差异化.
• 该模型实现了0.96的接收器操作特征曲线下的面积,用于识别4级质瘤.
• 整合IGGC模型减少了观察者之间的变异性,提高了病理学家之间的诊断一致性.

结论:

• IGGC模型为手术内质瘤分级提供了一种节省时间和高度准确的方法.
• 该模型显示了临床实施的潜力,用于对成人类型的扩散性质瘤进行分类.
• 人工智能辅助病理学可以提高神经瘤学的诊断准确性和一致性.