在多发性骨髓瘤H&E染色样本中基于深度学习的t(11;14) 的预测
Nadav Kerner1, Dov Hershkovitz1,2, Svetlana Trestman1,3
1Faculty of Medicine, Tel Aviv University, Tel Aviv 6997801, Israel.
Cancers
|June 13, 2025
概括
一个人工智能 (AI) 算法显示了快速检测染色体11·14转位在多发性骨髓瘤 (MM) 使用标准骨髓活检扫描的承诺. 这种人工智能工具可以帮助更快地做出治疗决策,为患有这种常见遗传异常的患者.
科学领域:
- 血液学 血液学 血液学
- 在瘤学瘤学.
- 计算生物学 计算生物学
背景情况:
- 染色体11·14转位[t(11;14) ]是多发性骨髓瘤 (MM) 中最常见的初级转位.
- 11,14) 患者对BCL-2抑制剂反应良好,使其快速检测对指导治疗至关重要.
- 目前的黄金标准光现场混合 (FISH) 方法面临速度,可访问性和成本的限制.
研究的目的:
- 评估一种基于深度学习的人工智能 (AI) 方法,用于检测多发性骨髓瘤中的t(11;14).
- 用H&E染色骨髓活检扫描来评估AI算法的性能.
主要方法:
- 这项研究分析了268名未经治疗的多发性髓瘤患者的H&E染色骨髓活检扫描.
- 开发并测试了一种深度学习算法,以检测其检测t(11;14) 转位的能力.
- 计算了包括灵敏度,特异性,精度和AUROC在内的性能指标.
主要成果:
- 人工智能算法实现了88%的灵敏度,83.1%的特异性和84.3%的准确性,AUROC为0.85.5.
- 该算法的性能与更高的血细胞百分比,活跃的MM,溶解性病变和较低的血红蛋白水平显著相关.
- 在27%的案例中,FISH分析发现了t(11;14).
结论:
- 人工智能方法证明了在多发性骨髓瘤中快速查t(11;14) 的潜力.
- 需要进一步开发以优化人工智能方法在MM管理中的临床集成.
- 这种人工智能工具可以补充FISH分析,以加快患者分层.
