相关实验视频
Updated: Sep 17, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.1K
基于深度学习的免疫组织化学预测模型的开发和临床验证,用于胃肠道癌症的亚型和分期
Junxiao Wang1,2,3, Shiying Zhang1,4, Jia Li1,2,3
1Renmin Hospital of Wuhan University, Wuhan, China.
BMC gastroenterology
|July 2, 2025
概括
人工智能-免疫组织化学 (AI-IHC) 模型准确地预测来自H&E幻灯片的生物标志物,与传统的IHC有很高的一致性. 这种人工智能方法显示出作为常规胃肠癌诊断中的辅助工具的潜力.
科学领域:
- 数字病理学数字病理学
- 计算瘤学是一种计算瘤学.
- 发现生物标志物的发现.
背景情况:
- 免疫组织化学 (IHC) 对于癌症诊断至关重要,但是劳动密集型的,需要专业知识.
- 深度学习模型可以预测IHC生物标志物,但临床有效性需要进一步研究.
研究的目的:
- 开发用于AI-IHC生物标志物预测的自动化管道,使用H&E全幻灯片图像 (WSI).
- 为了比较AI-IHC与常规IHC在胃肠道癌症的诊断性能.
主要方法:
- 一个自动化管道从H&E WSIs中生成AI-IHC模型,使用IHC幻灯片的注释转移.
- 为胃肠道癌症开发了五种IHC生物标志物预测模型 (P40,Pan-CK,Desmin,P53,Ki-67).
- 通过一项多读者多个案例研究来评估病理学家的同意,比较AI-IHC和传统IHC.
主要成果:
- 人工智能-IHC模型实现了高性能 (AUC为0.90-0.96,精度为83.04-90.81%).
- 病理学家的一致性率对于Desmin,Pan-CK和P40 (96.67-100%) 高,对于P53 (70.00%) 中等.
- T阶段评估显示86.36%的一致性;Ki-67指数评估显示AI-IHC和传统IHC之间的变化.
结论:
- 自动化的级注释使得基于深度学习的IHC生物标记模型的高效开发成为可能.
- 人工智能生成的IHC与传统IHC显著一致,支持其作为诊断辅助器的作用.
