整个幻灯片中EGFR突变检测非小细胞肺癌的图像,使用双阶段深度转移学习方法
Michele Zanoletti1, Filippo Ugolini2, Laila El Bachiri3
1Institute of Clinical Physiology, National Research Council, Pisa, Italy.
Cancer medicine
|September 18, 2025
概括
这项研究利用人工智能 (AI) 分析肺癌 (LC) 组织图像,准确地区分癌细胞和健康细胞. 虽然人工智能对LC诊断有希望,但从标准幻灯片中直接检测EGFR突变仍然具有挑战性.
科学领域:
- 在瘤学瘤学.
- 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:
- 肺癌 (LC) 是全球癌症死亡的主要原因,非小细胞肺癌是最常见的亚型.
- 目前的LC治疗依赖于分子分析,特别是检测表皮生长因子受体 (EGFR) 基因突变,这对于向的氨酸激酶抑制剂治疗至关重要.
研究的目的:
- 评估卷积神经网络 (CNN) 在区分健康的肺组织和癌症组织中的有效性.
- 评估CNN在识别EGFR突变瘤组织中的潜力.
- 利用可解释AI (Grad-CAM) 来可视化CNN模型的决策过程.
主要方法:
- 两个基于InceptionResNet-V2的CNN被应用于肺癌组织的全幻灯片图像 (WSI).
- 集成了一个可解释的AI技术,Grad-CAM,以提供对模型预测的视觉洞察力.
- 这项研究分析了来自意大利三个不同中心的259例肺癌病例.
主要成果:
- 在区分健康和癌症组织方面,CNNs实现了高精度 (96.17%),AUC为0.99.
- 对于癌症组织内的EGFR突变检测,模型的准确性达到76.67%,AUC为0.77.
- 可解释的人工智能为模型的分类过程提供了视觉见解.
结论:
- 经过测试的CNN显示出有助于肺癌诊断的显著潜力,特别是在将瘤与健康组织区分开来.
- 使用这些AI模型从常规的H&E幻灯片直接预测EGFR突变状态具有挑战.
- 这些发现表明,通过人工智能分析,可以从标准的组织病理幻灯片中提取用于LC诊断的有价值的预测信息.
