揭示了前列腺癌自动诊断和格里森等级估计的关键病态特征
Valentina Brancato1, Mario Verdicchio2,3, Carlo Cavaliere2
1IRCCS SYNLAB SDN, Via E. Gianturco 113, 80143, Naples, Italy. valentina.brancato@synlab.it.
BMC medical imaging
|July 29, 2025
概括
这项研究确定了前列腺癌 (PCa) 诊断和分级使用AI的关键组织学特征,提高了AI模型在病理学中的解释性. 这些发现突出了用于区分恶性和非恶性组织以及格里森模式的歧视性特征.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 在癌症诊断中解释AI预测对于临床采用至关重要.
- 缺乏明确的特征相关性阻碍了AI模型在临床实践中的接受.
- 前列腺癌 (PCa) 诊断和分级需要强大的特征识别.
研究的目的:
- 确定PCa诊断的歧视性病态特征 (恶性与非恶性).
- 确定PCa等级的关键特征 (高等级与低等级).
- 提高人工智能模型在PCa数字病理学中的可解释性.
主要方法:
- 分析了187个有注释的H&E全幻灯片图像,跨越三个放大级别.
- 提取1971年每的病态特征,用于机器学习分类.
- 应用夏普利添加式解释 (SHAP) 来确定特征重要性和模型可解释性.
主要成果:
- 波形和局部二进制模式特征在高等级与低等级分类中突出.
- 立体图的特征成为诊断分类任务的关键.
- 高AUC值 (0.97-0.99) 达到PCa诊断;较低AUC (0.72-0.73) 达到等级分类.
结论:
- 提供了对手工制作的病态特征的见解,推动PCa的AI分类.
- 提高了对人工智能辅助前列腺癌诊断和分级的特征相关性的理解.
- 通过提高模型解释性来支持AI的临床集成.


