深度学习用于使用全幻灯片基因病理图像对侵略性与非侵略性中央巨细胞粒瘤的分类
Marilena Vered1,2, Anna Shnaiderman-Shapiro3, Rozet Malouf3
1Department of Oral Pathology, Oral Medicine and Maxillofacial Imaging, School of Dentistry, Tel Aviv University, 69978, Tel Aviv, Israel. mvered@tauex.tau.ac.il.
Virchows Archiv : an international journal of pathology
|June 27, 2025
概括
对中央巨细胞粒瘤 (CGCG) 显微镜图像的深度学习分析没有准确地预测攻击性行为. 需要使用改进的方法进行进一步的研究,以提高AI在诊断CGCG时的临床实用性.
科学领域:
- 口腔病理学和面外科手术
- 医学中的人工智能
- 计算病理学计算病理学
背景情况:
- 中央巨细胞粒瘤 (CGCG) 是一种良性但局部具有攻击性的骨损伤.
- 对于治疗规划来说,区分攻击性和非攻击性CGCG至关重要.
- 目前的诊断方法依赖于临床和放射特征,组织学分析起到支持作用.
研究的目的:
- 根据显微镜图像,评估深度学习算法的有效性,以区分攻击性与非攻击性中央巨细胞粒瘤 (CGCG).
- 评估人工智能作为预测CGCG生物行为的工具的潜力.
主要方法:
- 用ResNet-50深度学习模型分析了87例CGCG病例 (48例攻击性,39例非攻击性) 的显微镜图像.
- 该模型被训练在Hematoxylin-eosin (H&E) 染色的部分上,使用数据增强技术.
- 使用接收器操作特征 (ROC) 分析,灵敏度和特异性来评估性能.
主要成果:
- 深度学习模型实现了曲线下的面积 (AUC) 为52%,灵敏度为54%,特异性为50%,表明性能差.
- 攻击性CGCG病例与较年轻的患者年龄 (平均32.6岁) 相比,与非攻击性病例 (平均42.2岁) 相比.
- 下是CGCG在攻击性和非攻击性组中最常见的位置.
结论:
- 这项开创性的研究表明,目前使用整个显微镜片段的深度学习方法在将攻击性CGCG与非攻击性CGCG区分方面没有成功.
- 限制可能包括缺乏特定的图像细分和组织染色的潜在技术问题.
- 需要采用先进的预处理技术进行进一步的研究,以提高CGCG诊断的模型性能和临床适用性.
