通过基于人工智能的病理图像识别来选择性地识别具有不良预后的多类肝细胞癌

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 多聚体性,异常的染色体数,在癌症中很常见,与侵袭性疾病和不良预后有关.
• 肝细胞癌 (HCC) 呈现多性,使其成为预后标志物,但诊断仍然具有挑战性.
• 目前用于癌症中的多倍体症的诊断方法在临床上无法实施.

研究的目的:

• 开发和验证一种基于人工智能 (AI) 的方法,以使用病理图像来评估HCC中的多重积分.
• 评估AI模型检测HCC ploidy和识别预后子组的能力.

主要方法:

• 基于深度学习的AI图像识别模型被训练在血素和素染色的HCC病理图像上.
• 模型性能使用染色体光在位杂交 (FISH) 确定44个HCCs中的 ploidy状态进行了评估.
• 经过验证的模型在169个HCC的独立队列和公共数据集上进行了测试.

主要成果:

• 人工智能模型在独立和外部数据集中准确评估了HCC ploidy.
• 人工智能驱动的 ploidy 确定确定了一组 HCC 的预后不佳,优于基因组分析的子集.
• 人工智能分析揭示了对多倍体HCC的新见解,包括高患病率的状结构.

结论:

• 基于人工智能的病理图像分析为评估HCC中多体积症提供了新且有效的工具.
• 这种方法有可能成为个性化癌症医学的诊断工具.
• 人工智能管道可以根据 ploidy 状态在 HCC 中识别出具有预后意义的子组.