一种结合全幻灯片基础模型和梯度增强的新方法,用于预测皮肤病理学中的BRAF突变状态
Mohamed Albahri1, Daniel Sauter1, Felix Nensa2,3
1Department of Computer Science, Dortmund University of Applied Sciences and Arts, Dortmund 44227, Germany.
Computational and structural biotechnology journal
|June 23, 2025
概括
这项研究引入了一个人工智能框架,可以从组织病理学幻灯片直接预测黑色素瘤中的BRAF-V600突变状态,从而达到最先进的准确性. 这种基于图像的方法有助于更快,更具成本效益的个性化治疗决策.
科学领域:
- 数字病理学数字病理学
- 在瘤学中使用人工智能
- 计算病理学计算病理学
背景情况:
- 确定BRAF-V600突变状态对于黑色素瘤治疗选择至关重要.
- 组织病理学是黑色素瘤诊断的基石,但遗传检测耗时且昂贵.
- 基于图像的AI策略可以简化BRAF突变状态的确定.
研究的目的:
- 开发和验证一种机器学习框架,用于直接从黑色素瘤组织病理幻灯片中预测BRAF-V600突变状态.
- 评估基础模型 (Prov-GigaPath) 和梯度增强分类器 (XGBoost) 的性能.
- 建立一个新的最先进的,仅用于图像的BRAF突变预测在黑色素瘤.
主要方法:
- 集成一个大规模预训练的基础模型 (Prov-GigaPath) 与 XGBoost 分类器.
- 培训和交叉验证来自癌症基因组图谱 (TCGA) 的皮肤皮肤黑色素瘤 (SKCM) 数据集.
- 在埃森大学医院 (UHE) 的幻灯片上进行独立测试.
主要成果:
- 微调的Prov-GigaPath模型实现了0.653 (交叉验证) 和0.697 (独立集合) 的AUC.
- 综合框架 (Prov-GigaPath + XGBoost) 的AUC达到0.824 (交叉验证) 和0.772 (独立集合).
- 这代表了在黑色素瘤中仅对图像进行BRAF突变预测的最新技术.
结论:
- 拟议的人工智能框架准确地预测BRAF-V600基因病理幻灯片的突变状态,为分子分析提供了潜在的替代方案.
- 监督较弱,数据效率较高的管道减少了对广泛注释和昂贵遗传测试的需求.
- 这种方法展示了人工智能驱动的决策支持工具的潜力,以加快黑色素瘤的个性化治疗决策,推进精确瘤学的发展.
