肺腺癌模式量化人工智能算法 (PATQUANT):国际验证和高级风险分层优于传统分级

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:

• 肺腺癌 (LUAD) 的形态模式对于预后至关重要,但最佳分级仍在争论中.
• 目前的LUAD分级系统需要改进,以提高准确性和预测价值.

研究的目的:

• 开发和验证一个全自动化,定量AI工具 (PATQUANT) 用于LUAD模式分类.
• 评估现有的LUAD分级策略,并确定最有效的系统.
• 提出和验证新的,可解释的分级原则,以提高患者风险分层.

主要方法:

• 培训 PATQUANT 在病理学家注释的数据集上用于 LUAD 模式分类.
• 使用独立测试数据集验证PATQUANT并将其性能与13名专家病理学家进行比较.
• 分析了五个可切除的LUAD多国队列 (n=1120),以评估已识别的模式和分级系统的预后价值.

主要成果:

• 帕特昆特在LUAD模式细分和分类方面取得了很高的准确性,超过了13位病理学家中的8位.
• 在LUAD中,复杂的腺体模式显示出明显的预后形状.
• 主要基于模式和简化的IASLC分级系统在预测价值方面比其他系统更为优越.
• 两个新的,可解释的分级原则得到了验证,提供了细粒度的,独立的风险分层.

结论:

• 开发的AI工具PATQUANT为LUAD模式分析提供了强大的自动化解决方案,超过了专家病理学家的性能.
• 由人工智能驱动的模式量化提供信息的新型分级方法,比传统方法提供了更好的预测能力.
• 公开发布协议数据集将促进LUAD分级和分析的进一步进步.