评估生成AI模型用于肺腺癌中可解释的病理特征提取:分级评估和预后模型构建

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 组织病理学图像分析分析.

背景情况:

• 生成性AI (GenAI) 模型的普及率不断增加,需要对肺腺癌组织病理学进行评估.
• 基因AI模型为复杂的病理数据的自动化分析提供了潜力.

研究的目的:

• 评估和比较具有视觉能力的GenAI模型 (GPT-4o,Claude-3.5-Sonnet,Gemini-1.5-Pro) 用于肺腺癌组织学模式识别和分级.
• 探索使用GenAI特征提取的预后预测模型.
• 评估AI在提高诊断准确性和患者分层方面的实用性.

主要方法:

• 来自癌症基因组图谱肺腺癌 (TCGA-LUAD) 数据库的310个诊断幻灯片的回顾性分析.
• 外部验证使用来自不同机构的95和87张幻灯片.
• 评估GenAI分级精度 (AUC) 和稳定性 (ICC),以及预后模型性能 (C指数).

主要成果:

• 克劳德-3.5-索内特获得了最高的分级精度 (AUC = 0.823) 与中等稳定性 (ICC = 0.585).
• 使用克劳德-3.5-索内特特征和临床变量的最佳预后模型显示出良好的内部和外部验证 (C指数=0.715).
• 预后模型有效地将患者分为风险组,高风险患者的结果明显较差 (HR = 5.16).

结论:

• 基因AI模型,特别是克劳德-3.5-索内特,在肺腺癌病理学方面显示出显著的潜力.
• 人工智能在分级预测和强大的预后能力方面表现出卓越的表现.
• 研究结果表明,人工智能在肺腺癌诊断和临床管理方面具有有前途的应用.