肺腺癌全幻灯片图像的基于深度学习的细分,用于客观分级,通过空气空间识别瘤扩散,以及突变预测

科学领域:

• 数字病理学数字病理学
• 人工智能在瘤学中的应用
• 计算病理学计算病理学

背景情况:

• 手动量化肺腺癌模式缺乏可重复性,因为病理学间的变异性.
• 需要对数字化肺腺癌图像进行客观和定量分级,以提高诊断准确度和治疗指导.

研究的目的:

• 开发和验证基于深度学习的多类细分模型,用于对肺腺癌的客观和定量分类.
• 评估模型检测瘤通过空气空间传播的能力,并将形态模式与基因组变化相关联.

主要方法:

• 一个深度多放大网络在766个切除的非性肺腺癌上受过训练,14种组织亚型分为像素级.
• 该模型在130个病例的外部队列和临床任务的内部病例上进行了验证,评估分级和通过空气空间检测传播.
• 分子分析与基因组变化 (TP53,EGFR,RET) 相关的特定组织学模式 (固体,斑膜,状,乳头状).

主要成果:

• 深度学习模型成功地将肺腺癌患者分为良好,中等和差异化形态 (P < 1 × 10-4).
• 通过空气空间传播的像素与病理学家的解释有显著的相关性.
• 在具有明显基因组变化的瘤中,特定的模式被丰富或耗尽:具有TP53突变的固体模式,与TP53相反的皮模式,与EGFR突变的acinar和与RET融合的 papillary.

结论:

• 基于深度学习的细分精确量化肺腺癌的组织学模式,提供客观的评估.
• 该模型确定了预后特征,并有助于理解组织学模式和基因组变化之间的关系.
• 这种全面的方法促进了深度学习辅助的病理诊断和治疗指导在肺腺癌.