病理学家对癌症分级规则的自主学习

科学领域:

• 计算病理学计算病理学
• 医学中的人工智能
• 癌症生物学 癌症生物学

背景情况:

• 深度学习 (DL) 在组织病理学方面表现出色,但经常充当"黑子",限制生物洞察力.
• 了解组织形态和疾病进展之间的联系对于准确的诊断和治疗至关重要.

研究的目的:

• 开发一个可解释的深度学习 (IDL) 算法,以阐明基因病理学和癌症生物学之间的关系.
• 确定驱动清细胞细胞癌 (ccRCC) 癌症进展的特定形态特征.

主要方法:

• 利用一个具有语义潜伏空间和噪声向量的生成模型来表示基因病理图像.
• 穿越潜伏空间以识别与疾病状态相关的图像变化,由二级DL模型指导.
• 将IDL系统应用于ccRCC组织图像以进行特征识别.

主要成果:

• IDL系统确定了瘤细胞中的核大小和核质密度是ccRCC分级 (1-4级) 的关键特征.
• 这些发现符合ccRCC分级的既定临床和教科书标准.
• 人工智能还表明,随着瘤等级的增加,血管系统的减少,这种相关性目前尚未用于分级系统.

结论:

• IDL可以自主地正式确定组织病理表现与疾病的基础组织架构驱动因素之间的联系.
• 这种方法提供了一个强大的工具,用于发现和验证在组织病理学疾病相关的特征.
• 这些发现强调了人工智能的潜力,以提高我们对癌症生物学的理解,并改善临床实践.