组织学瘤分化的深度学习模型作为肝细胞癌的预后工具

科学领域:

• 数字病理学和瘤学中的人工智能.
• 在癌症中对组织病理学特征的定量分析.

背景情况:

• 瘤分化对于理解肝细胞癌 (HCC) 的行为至关重要.
• 传统的评估HCC差异化依赖于主观的组织学解释.

研究的目的:

• 评估人工智能模型量化HCC瘤分化特征的能力.
• 评估人工智能衍生特征是否有助于预测与HCC相关的结果.

主要方法:

• 开发了一个受监督的深度学习人工智能模型来量化HCC组织学特征.
• 量化形态参数,线粒体数,免疫组织化学 (HepPar 1,glypican-3) 和网球蛋白表达.
• 将AI模型应用于99个HCC切除标本,并分析预测性能.

主要成果:

• 三个关键的AI衍生变量:核面积百分比,网球蛋白表达和HepPar 1/glypican-3免疫类型.
• 人工智能增强模型在预测整体存活率,无病存活率,转移和局部复发方面显著优于标准模型.
• 人工智能特征,包括核面积百分比和HepPar 1/glypican-3状态,可以独立预测结果.

结论:

• 人工智能可以通过分析基因病理特征来客观量化HCC差异化.
• 人工智能衍生出的定量特征在HCC中具有显著的预后价值.
• 这种人工智能方法表明,在癌症结果预测方面,有可能提高精度.