基于深度学习的半自动化模型可以预测患有垂体神经内分泌瘤的患者的血统

科学领域:

• 内分泌学和病理学.
• 计算病理学计算病理学
• 神经瘤学神经瘤学

背景情况:

• 垂体神经内分泌瘤 (PitNETs) 是常见的神经内分泌新生体,需要分子亚型来进行风险分层.
• 目前的分类依赖于转录因子免疫组织化学 (IHC),但面临着标准化和试剂可用性的挑战.
• 资源有限的环境特别受到基于IHC的PitNET分类的局限的影响.

研究的目的:

• 开发和验证一个半自动计算框架用于PitNET血统预测使用H&E染色的幻灯片.
• 通过提供准确的,自动化的分类方法来减少对IHC的依赖.
• 为了识别与特定的PitNET血统相关的组织形态特征.

主要方法:

• 来自H&E幻灯片的PitNET血统预测计算管道的开发.
• 实现自动分类与确认IHC的动态置信值.
• 在前性,功能性和外部队列中验证,包括基于深度学习的虚拟IHC模块.

主要成果:

• 半自动化框架实现了显著的工作量减少 (高达68.9%),整体精度高 (95.9%).
• 在多个队列中证实了可比的疗效和与手动IHC基于评估的非劣势.
• 虚拟IHC染色显示出高一致性,并确定了SF1和PIT1血统的独特组织形态学模式.

结论:

• 一种半自动计算方法准确地从H&E幻灯片中预测PitNET血统,提高诊断效率.
• 这种方法为IHC提供了可行的替代方案,特别是在资源有限的环境中.
• 计算分析揭示了与PitNET血统相关的特定组织形态特征,有助于分类和理解.