基于深度学习的视网母细胞瘤蛋白分型肺大细胞神经内分泌癌在小血素和以染样本上
Teodora E Trandafir1, Frank W J Heijboer2, Farhan Akram1
1Department of Pathology and Clinical Bioinformatics, Erasmus University Medical Center, Rotterdam, The Netherlands.
概括
深度学习模型可以仅使用组织学来预测肺大细胞神经内分泌癌 (LCNEC) 的分子亚型. 这种方法可以取代对视网膜母细胞瘤蛋白 (pRb) 的免疫组织化学测试,以指导治疗.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 肺大细胞神经内分泌癌 (LCNEC) 需要分子亚型来进行有效的治疗,通常基于视网膜母细胞瘤蛋白 (pRb) 表达.
- 目前对血素和素 (H&E) 染色幻灯片的组织形态学分析不足以可靠地区分LCNEC分子亚型.
研究的目的:
- 调查深度学习 (DL) 在识别组织学模式预测pRb表达在LCNEC中的实用性.
- 开发和验证一个定制的卷积神经网络 (CNN) 来从小的LCNEC组织样本中预测pRb状态.
主要方法:
- 从143个LCNEC切除标本的组织微阵列核心上开发和训练了一种定制的CNN.
- 该模型进行了交叉验证,并对21名其他患者的活检进行了测试,结果与免疫组织化学PRB状态进行了比较.
- 使用可解释的AI技术来识别DL模型使用的关键组织学特征.
主要成果:
- 性能最好的DL模型在活检样本上实现了0.75的患者智能平衡精度和0.77的接收器操作特征曲线下的面积.
- DL模型显著超过了肺病理学家传统的基于H&E的分类.
- 可解释的AI识别了不同的形态特征,如染色质模式和核细胞,与pRb保留或丢失状态相关.
结论:
- 对组织病理学幻灯片的深度学习分析显示,在LCNEC中准确预测pRb状态方面有希望.
- 这种人工智能驱动的方法可能会取代免疫组织化学pRb测试,简化诊断工作流程.
- 通过DL精确的分子亚型化可能有助于指导全身化疗决策,特别是转移性LCNEC.
