光学显微镜预测质母细胞瘤的焦点复发

科学领域:

• 神经瘤学神经瘤学
• 人工智能在医学中的应用
• 计算病理学计算病理学

背景情况:

• 质母细胞瘤 (GBM) 在初始治疗后经常复发,这构成了重大的临床挑战.
• 目前对复发性GBM的管理缺乏标准的护理.
• 预测复发位置对于优化先进阶段治疗至关重要.

研究的目的:

• 开发和验证基于人工智能的模型,用于预测焦点质母细胞瘤复发的风险.
• 评估人工智能估计的瘤透在预测切除边缘复发的有用性.

主要方法:

• 使用无标签光学显微镜开发了一种AI模型,用于量化手术边缘样本中的瘤透 (AI-infiltration).
• 一个随机的森林分类器整合了AI透与临床,放射和分子数据.
• 该模型在80名患有质母细胞瘤的患者队列上进行了训练和验证.

主要成果:

• 与非复发性瘤相比,从复发性瘤的边缘样本中观察到更高的质母细胞瘤透率 (p = 0.026).
• 人工智能驱动的随机森林模型实现了对焦点复发的高预测准确度 (86.6%的培训,80.3%的验证AUC).
• 人工智能透成为最强的预测因素,超越分子特征,并在瘤位置保持性能.

结论:

• 基于人工智能的瘤透预测可以准确地识别质母细胞瘤复发高风险的部位.
• 这种方法有可能引导精确的多式联络疗法到特定的高风险区域.
• 这些发现表明,通过预测复发模式来管理复发性脑瘤的新策略.