深度学习的临床含义基于对整个激进前列腺切除样本的图像分析

科学领域:

• 病理学 病理学 病理学
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 由于复杂的病理学和有限的病理学家资源,前列腺癌 (PCa) 诊断具有挑战性.
• 基于深度学习的图像分析 (DLIA) 显示了提高PCa.诊断精度的潜力.
• 对激进前列腺切除术 (RP) 样本进行DLIA的应用,用于格里森分级和瘤量化,尚未得到充分研究.

研究的目的:

• 评估DLIA算法的临床可行性和预后价值,用于整个RP标本的格里森分级和瘤量化.
• 将DLIA的表现与国际泌尿病学学会 (GG),瘤体积 (TV) 和百分比瘤体积 (PTV) 的病理学家评估进行比较.
• 评估DLIA在预测无生物化学进展生存期 (BPFS) 的预后性表现.

主要方法:

• 利用了992名RP患者的29646张数字化H&E染色幻灯片.
• 将DLIA分配的GG,TV和PTV与病理学家的评估进行比较.
• 通过c-index通过生物化学无进展生存期 (BPFS) 预测评估的预后性表现.
• 评估了DLIA衍生的PTV对CAPRA-S评分对预测生化复发 (BCR) 的影响.

主要成果:

• 在所有情况下,DLIA都确定了癌症,并在没有遗漏的情况下分配了GG.
• DLIA分配的GG显示与病理学家相当一致 (kappa:0.374) 和类似的BPFS预测有效性 (c指数:0.644vs0.654).
• 通过DLIA测量的TV和PTV与病理学家的测量有很强的相关性 (r=0.830,0.846) 并显示出优越的BPFS预测 (c指数:0.657/0.672与0.622/0.641).
• 将DLIA衍生的PTV纳入CAPRA-S显著提高了BCR预测准确度 (c指数从0.704增加到0.715,p=0.006).

结论:

• DLIA算法可以准确评估RP标本中的格里森分级和瘤量化.
• DLIA显示出预后价值,与GG的病理学家相比,在瘤量化方面优越.
• 由DLIA衍生出的指标增强了CAPRA-S等预测模型,支持PCa管理中的临床决策.