在乳腺癌中基于人工智能的自动线粒分裂评分提高了观察者之间的一致性和效率

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 乳腺癌的诊断 乳腺癌的诊断

背景情况:

• 手动评估乳腺癌中线粒活性是主观的,容易引起观察者之间的变化.
• 准确的线粒计数对于治疗决策和预后至关重要.
• 人工智能 (AI) 为客观和高效的线粒分裂评分提供了一个潜在的解决方案.

研究的目的:

• 开发和评估基于人工智能的工作流程,用于在乳腺癌全幻灯片图像中实现自动化线粒分裂评分.
• 评估人工智能系统对诊断效率和病理学家间一致性的影响.

主要方法:

• 通过使用97张整片图像的数据集训练了一种线粒分裂检测模型,以斯-H3免疫组织化学为指导.
• 一个自动的评分框架包括图像分区,上皮细胞细分,线粒分裂检测,热点分析和评分分类.
• 临床实用性由三个病理学家验证,评估了20张幻灯片图像.

主要成果:

• 人工智能分化模型获得了0.75的F1得分,与最先进的算法相美.
• 自动化工作流通过分析整个幻灯片的热点来改善病理学家之间的一致性.
• 每个病例的阅读时间从452s显著减少到52s (P < .01),尽管对线粒分裂得分的轻微低估.

结论:

• 一个集成的自动线粒分裂评分系统提高了病理学最终用户的效率和一致性.
• 这种人工智能驱动的方法为乳腺癌的精准医学提供了基础.
• 在数字病理学时代,新的方法对于评估线粒活动至关重要.