有证据的基于深度学习的ALK表达查使用H&E染色的基因病理图像

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 准确识别非小细胞肺癌 (NSCLC) 的遗传变异对于有效的向疗法至关重要.
• 目前用于检测基因变异的方法,如Anaplastic Lymphoma Kinase (ALK) 重组,可能是昂贵和耗时的.
• 深度学习提供了一个潜在的解决方案,可以直接从标准基因病理图像中预测遗传变化.

研究的目的:

• 开发和验证一种深度学习算法,用于对NSCLC中ALK重组的病理解释和预测.
• 评估AI模型在查ALK变化的临床适用性和准确性.
• 为了减少与遗传检测相关的不必要的医疗费用,并探索基因型-表型关联.

主要方法:

• 开发一种病理上可解释的,基于证据的深度学习算法.
• 使用NSCLC切除和活检样本的H&E染色病理图像进行模型的培训和验证.
• 评估模型的预测准确性和临床实用性.

主要成果:

• 深度学习模型在切除和活检数据集上预测ALK变化的准确度超过95%.
• 开发的算法在NSCLC诊断中具有很高的临床应用潜力.
• 这项研究提供了关于遗传变化和病理现象型之间的关联的见解.

结论:

• 深度学习提供了一种准确和有效的方法来选NSCLC中的ALK变化,从而有可能降低医疗保健成本.
• 由人工智能驱动的方法为指导向治疗选择提供了显著的临床实用性.
• 一个公开的,开源的Python软件包促进了这项技术的实施.