多模组合融合深度学习使用组织病理图像和临床数据进行质瘤亚型分类

科学领域:

• 在瘤学瘤学.
• 人工智能在医学中的应用
• 数字病理学数字病理学

背景情况:

• 质瘤是一种常见的中枢神经系统恶性瘤,被世界卫生组织 (WHO) 分类为II-IV等级.
• 低级质瘤 (LGG) 包含世卫组织的II级和III级,而多种质母细胞瘤 (GBM) 则代表世卫组织的IV级.
• 准确的质瘤亚型诊断对于患者的生存和治疗计划至关重要.

研究的目的:

• 开发和评估一种多式人工智能方法,以改进质瘤亚型的分类.
• 将组织病理学图像特征与临床数据相结合,以提高诊断准确度.
• 评估集合融合人工智能 (EFAI) 方法在LGG和GBM分类中的性能.

主要方法:

• 使用多个深度学习模型从组织病理学全幻灯片图像 (WSIs) 提取特征.
• 图像衍生特征与临床数据的结合,用于多式联络分析.
• 在融合特征上使用机器学习进行补丁级分类,然后从顶级模型中进行整体特征选择.

主要成果:

• 拟议的EFAI方法在平衡数据集 (240 GBM,240 LGG) 上实现了0.936的分类精度和0.967的曲线下面积 (AUC).
• 在一个不平衡的数据集 (141 GBM,242 LGG) 上观察到类似的性能 (精度为0.936,AUC为0.967).
• 多模组合融合方法显著优于仅使用基因病理图像的分类.

结论:

• 开发的EFAI方法在区分质瘤亚型方面表现出高效.
• 多模式数据集成,结合组织病理图像和临床数据,提高诊断性能.
• 这种人工智能驱动的方法显示了支持临床诊断和改善患者结局在质瘤管理的潜力.