基于弱监督细分和多类型特征融合的基67表达水平在骨肉瘤中的预测模型
1School of Electronics and Information Engineering, Tiangong University, Tianjin 300387, China; Tianjin Key Laboratory of Optoelectronic Detection Technology and Systems, Tianjin 300387, China.
Computer methods and programs in biomedicine
|October 9, 2025
概括
这项研究开发了一个人工智能模型,从病理图像中预测骨髓瘤Ki67水平. XGBoost+SVM模型实现了高精度和灵敏度,为传统方法提供了具有成本效益的替代方案.
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
- 生物标志物的量化和量化.
背景情况:
- 骨髓瘤是一种恶性骨瘤,影响儿童和青少年.
- Ki67蛋白表达表明瘤扩散,对预后至关重要.
- 传统的Ki67评估依赖于免疫组织化学,这可能是耗时和昂贵的.
研究的目的:
- 开发一种高效,低成本的人工智能 (AI) 模型,用于预测骨髓瘤中Ki67表达水平.
- 分析病理图像以进行自动化Ki67评估.
- 减少对传统免疫组织化学方法的依赖.
主要方法:
- 分析了73张H&E染色骨髓瘤整片图像 (WSIs).
- 瘤区域细分的弱监督学习和核特征提取的Hover-Net (215个特征).
- 使用LASSO,MI,RFE,WRST和XGBoost进行特征选择,然后与8个机器学习分类器 (AdaBoost,BalancedRF,KNN,LightGBM,MLP,QDA,RF,SVM) 进行集成.
主要成果:
- 通过将5个关键特征与8个分类器结合起来,确定了最佳的混合模型XGBoost+SVM.
- 在XGBoost+SVM模型实现了高性能:精度 (0.767),回忆 (0.872),F1得分 (0.800),和ROC-AUC (0.884).
- 该模型在预测Ki67水平方面表现出高准确度和灵敏度.
结论:
- 开发的AI模型为骨质肉瘤Ki67评估提供了一个自动化和可靠的解决方案.
- 这种方法减少了对传统免疫组织化学的依赖.
- 该模型显示了骨髓瘤管理中的临床转化显著潜力.
