基于H&E染色活检数字图像的深度学习模型预测前列腺癌的外延伸

科学领域:

• 数字病理学
• 在瘤学中使用人工智能
• 前列腺癌诊断

背景情况:

• 前列腺癌的诊断和分期对于治疗计划至关重要.
• 额外前列腺延伸 (EPE) 是PCa的一个关键预后因素.
• 在手术前准确预测EPE仍然是一个挑战.

研究的目的:

• 从前列腺活检H&E片段预测EPE的深度学习管道的开发和验证.
• 评估模型的性能和可解释性.
• 探索预测的EPE概率与生化复发 (BCR) 之间的相关性.

主要方法:

• 从260名经过激进前列腺切除术的PCa患者中使用了2592个H&E片.
• 采用深度学习方法,用于EPE预测.
• 进行了可解释性分析和与BCR的相关性分析.

主要成果:

• ConvNeXt模型在瘤分类 (AUC 0. 981) 和EPE预测 (AUC 0. 886 在测试组) 中取得了高准确性.
• 确定了与EPE相关的核心特征.
• 在预测EPE概率和BCR之间显示出强烈的相关性 (p=0.01).

结论:

• 一个人工智能病理模型可以准确地使用活检幻灯片预测术后的EPE.
• 这为PCa提供了可行的手术前风险分层工具.
• 该模型有助于为PCa患者制定个性化治疗策略.