提高转移性皮肤状细胞癌 (CSCC) 的早期检测:将AI与组织病理学评估相结合

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:

• 目前的分期系统无法充分识别患有转移高风险的皮肤状细胞癌 (CSCC) 患者.
• 数字病理学和人工智能为从H&E幻灯片中提取详细,可重现的预测特征提供了潜力.

研究的目的:

• 评估多步卷积神经网络 (CNN) 作为识别高风险CSCC的辅助工具.
• 利用人工智能推导出补充性基因病理变量,以提高转移性风险评估.

主要方法:

• 使用了一个嵌套病例控制研究设计,包括130名患者在开发组和244名患者在评估组.
• 一个CNN模型生成了四个详细的基因病理变量 (对象检测,语义细分).
• 这些人工智能衍生变量补充了皮肤病理学家在多变量逻辑回归模型中得分的六个变量 (对结果视而不见).

主要成果:

• 皮肤病学家-人工智能组合模型实现了0.92的最高一致性指数 (C指数) ([0.87-0.95]).
• 人工智能衍生的瘤面积 (OR 1.35 [1.00-1.84]) 和细胞核密度 (OR 3.14 [1.08-9.17]) 是显著的预测因素.
• 这些AI变量补充了病理学家得分的瘤直径和差异化等级,改善了风险分层.

结论:

• 一个CNN模型可以推导出与CSCC转移风险相关的详细,可重复的基因病理变量.
• 人工智能驱动的分析补充了基于病理学家的评估,大大提高了对高风险的CSCC患者的识别.