增强无标签光终身成像用于头部和部癌症的手术内瘤边缘划分,使用以数据为中心的AI

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确的手术内瘤边缘划定对于头癌 (HNC) 治疗成功至关重要.
• 无标签的光终身成像 (FLIm) 提供实时,无对比剂的组织分化.
• 现有的FLIm分类模型需要提高在临床环境中的稳定性和准确性.

研究的目的:

• 开发和验证以数据为中心的AI框架,以改进基于FLIm的HNC分类.
• 评估FLIm衍生特征的可解释性,用于HNC的利率评估.
• 评估患者特异性因素对分类性能的影响.

主要方法:

• 收集了92名HNC患者的体内多谱FLIm数据 (355nm激发).
• 实施了以数据为中心的AI方法,使用自信学习来完善模型培训.
• 集成了一个可解释性框架来分析特征贡献和FLIm对比源.

主要成果:

• 人工智能增强的FLIm模型实现了0.94的曲线下的面积 (AUC),用于健康与癌症组织的差异化.
• 瘤区域的边界预测与过渡性组织特性和代谢辅因子 (NADH,FAD) 相相关.
• 分析了关于瘤部位和HPV (p16+) 状态的分类性能.

结论:

• 由人工智能驱动的无标签FLIm显示了HNC实时内部运营利评估的巨大潜力.
• 该技术可以指导手术的精度,潜在地提高切除完整性和减少复发.
• 来自FLIm的代谢特征提供了对瘤微环境的洞察力,并有助于分级形.