一个深度学习框架用于分类神经内分泌瘤全片图像

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 对于NEN分级的数字病理学.

背景情况:

• 神经内分泌新生瘤 (NENs) 是一种罕见的瘤,需要精确的分类来预后和治疗.
• 目前的分级依赖于线粒细胞计数和Ki-67指数,这些都受到观察者之间的和观察者内部的变化影响.
• 病理学家对扩散标记物的量化是耗时且容易出现错误的.

研究的目的:

• 开发和验证用于自动化NEN分级的机器学习 (ML) 管道.
• 评估使用血素和 (H&E) 和Ki-67染料的ML模型的性能.
• 调查ML识别的NEN等级的预后意义,特别是1级瘤.

主要方法:

• 使用了385个胃肠胰腺NEN样本 (186名患者) 的数据集,以及H&E和Ki-67图像.
• 评估了三个ML框架:仅H&E,H&E与Ki-67,以及病理学家纠正的病例.
• 模型的性能被评估使用平衡的准确度分级和生存分析 (c指数).

主要成果:

• 基于H&E的ML框架在NEN分级中实现了77.5%的平衡精度.
• 整合Ki-67图像提高了分级精度,达到83.0%.
• 与一致的1级NEN (10.13年) 相比,AI识别的1级NEN具有更高的分配等级,其中位数存活时间明显较短 (4.22年).

结论:

• 开发的ML模型准确地对NEN进行评分,为当前的评分挑战提供了潜在的解决方案.
• 该模型确定了1级NEN的预后区别的子组,表明当前分级系统的局限性.
• 需要进一步的研究来验证这些发现,并探索这种不一致的组的临床实体.