人工智能和卷积神经网络驱动检测皮肤黑色素瘤到淋巴结的微和宏转移

科学领域:

• 计算病理学计算病理学
• 数字诊断数字诊断的使用.
• 瘤学研究的研究.

背景情况:

• 淋巴结 (LN) 转移的评估对于皮肤黑色素瘤的分期和管理至关重要.
• 传统的基因病理学与免疫组织化学是劳动密集型,耗时且昂贵的.
• 人工智能 (AI) 提供了精简和准确的LN转移检测的潜力.

研究的目的:

• 开发和验证一种人工智能驱动的模型,用于直接从H&E染色的基因病理图像中检测黑色素瘤转移.
• 评估人工智能模型对瘤沉积体大小进行预后评估的能力.
• 评估人工智能模型的性能与传统的病理评估相比.

主要方法:

• 通过使用人工智能病理学平台,分析了来自H&E污点的53张整片图像 (WSI).
• 训练了一种人工智能模型,根据尺寸 (例如,>0.1毫米,0.1-1毫米,>1毫米) 来检测和分类黑色素瘤转移.
• 在9个世界卫生组织上验证了AI模型,将其分类与经过董事会认证的病理学家进行比较.

主要成果:

• 在检测LN转移方面,AI算法实现了0.91的特异性和0.74的灵敏性.
• 该模型准确地分类了瘤沉积物大小,这对于分期和预后至关重要.
• 在AI分类和病理学家对验证WSIs的审查之间观察到很高的一致性.

结论:

• 人工智能具有显著的潜力,可以彻底改变淋巴结中的黑色素瘤转移检测.
• 人工智能工具可以减少对免疫组织化学的依赖,简化工作流程并提高诊断准确性.
• 病理学中的AI为黑色素瘤管理提供了强大的辅助,可能提高患者的治疗结果.