在胃肠道神经内分泌瘤中比较非机器学习与机器学习方法的Ki67评分
Nazanin Mola1,2, Hrafn Weishaupt3, Valentin Krasontovitsch4
1Department of Pathology, Haukeland University Hospital, Post Office Box 1400, 5021, Bergen, Norway. Nazanin.mola@ihelse.net.
Scientific reports
|July 29, 2025
概括
与非ML工具相比,机器学习 (ML) 图像分析显著提高了神经内分泌瘤Ki67评分的准确性. 这种数字病理学方法增强了瘤细胞和Ki67阳性的检测,提供了更可靠的预后生物标志物评估.
科学领域:
- 数字病理学数字病理学
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 基67分数是神经内分泌瘤 (NETs) 的关键预后标志物.
- 手动Ki67评估是耗时的,需要在特定瘤区域进行细胞计数.
- 数字图像分析为自动化和高效的Ki67评分提供了潜力.
研究的目的:
- 将机器学习 (ML) 工具与非ML工具的性能进行比较,用于在NET中进行Ki67评分.
- 评估数字图像分析在检测瘤细胞和Ki67阳性细胞中的准确性.
- 评估自动化Ki67分数与手动病理评估的一致性.
主要方法:
- 一个非ML工具 (ImageScope) 和一个ML工具 (Aiforia Create) 在Ki67染色的NET幻灯片上的比较.
- 分析了10个低等级的NET案例,重点关注每个幻灯片的8个地区.
- 评估细胞检测 (总和Ki67-阳性) 和Ki67得分计算,使用性能指标和类间相关性 (ICC) 与手动得分对比.
主要成果:
- 与非ML工具 (F-score 0.74) 相比,ML工具在检测瘤细胞方面表现优越 (F-score 0.90).
- 在检测瘤细胞 (ICC 0.91),Ki67-阳性细胞 (ICC 0.70) 和计算Ki67分数 (ICC 0.86) 的ML工具中,观察到与参考标准的更高一致性.
- 非ML工具的一致性明显较低 (ICC分别为0.62,0.24和0.45).
结论:
- 基于机器学习的数字图像分析为神经内分泌瘤的Ki67评分提供了更高的准确性.
- 在准确识别瘤细胞和评估Ki67阳性方面,ML工具优于传统的非ML方法.
- 这项技术简化了预后生物标志物评估,提高了神经内分泌瘤病理学的诊断效率和可靠性.
