病理学家可解释的乳腺癌亚型和分层从AI推断的核特征
Ranjan Kumar Barman1, Saugato Rahman Dhruba1, Danh-Tai Hoang1
1Cancer Data Science Laboratory, Center for Cancer Research, National Cancer Institute, National Institutes of Health, Bethesda, MD, USA.
bioRxiv : the preprint server for biology
|September 29, 2025
概括
扩展是数字病理学的新人工智能工具,使用病理学家可解释的功能预测乳腺癌亚型和生存率. 这种可解释的AI模型实现了与黑子模型相比的性能,提高了诊断透明度.
科学领域:
- 数字病理学数字病理学
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 人工智能 (AI) 提供了数字病理学的进步,但往往缺乏人类的解释性.
- 病理学现有的AI模型可能是"黑子",妨碍临床信任和采用.
- 病理学家的解释性对于将AI整合到常规癌症诊断中至关重要.
研究的目的:
- 推出EXPAND (可解释的病理学家对齐的核歧视器),这是第一个病理学家可解释的AI模型用于乳腺癌诊断.
- 开发一种自动化工作流程,使用可解释的特征预测瘤亚型和患者存活率.
- 验证可解释AI在乳腺癌中的性能和预后价值.
主要方法:
- 开发EXPAND,一个人工智能模型,重点关注来自诺丁汉分级标准的12个核病理学家可解释特征 (NPIF).
- 实现一个完全自动化的,端到端的诊断工作流程,用于NPIF提取和预测.
- 评估EXPAND在预测HER2+,HR+和TNBC瘤亚型以及患者存活率方面的表现.
主要成果:
- 扩展实现了0.73 (HER2+),0.79 (HR+) 和0.75 (TNBC) 的AUC值,与不可解释的AI模型相比.
- 12个NPIF显示出对患者生存的显著和独立的预后价值.
- 扩展的性能与使用更复杂的功能集的专有模型相匹配.
结论:
- 扩展为乳腺癌诊断提供了一种病理学家可解释的AI解决方案,提高了透明度.
- 这12个NPIF是生物基础,可解释的生物标志物,用于生存分层.
- 这项工作为在其他癌症类型中开发可解释的AI诊断模型铺平了道路.
