基于深度学习的不匹配修复预测使用结直肠癌宏观图像:一个诊断研究

科学领域:

• 在瘤学中使用人工智能
• 计算病理学计算病理学
• 医学成像分析 医学成像分析

背景情况:

• 不匹配修复 (MMR) 测试对于结直肠癌 (CRC) 管理至关重要,但资源密集.
• 目前的MMR测定需要专门的设施和大量的时间,限制了可访问性.
• 需要快速,经济有效的查工具来确定CRC中的MMR状态.

研究的目的:

• 开发和验证一种深度学习模型,用于使用宏观图像预测CRC患者的MMR状态.
• 建立一种快速且无成本的查方法,以检测结直肠癌中的MMR缺乏.
• 评估开发的深度学习模型的可解释性.

主要方法:

• 采用了两步深度学习方法,利用DeepLabV3+进行病变细分和视觉转换器 (ViT) 进行MMR分类.
• 该研究包括809名CRC患者,切除后立即捕获宏观图像,并通过免疫组织化学确认MMR状态.
• 用曲线下的面积 (AUC) 评估模型性能,通过梯度加权类激活映射 (Grad-CAM) 和主要组件分析 (PCA) 评估可解释性.

主要成果:

• 深度学习模型实现了高预测性能,MMR状态的平均AUC为0.896 (内部) 和0.860 (独立).
• 报告了0.987 (内部) 和0.978 (独立) 的优异负预测值 (NPV),表明强大的可靠性.
• 可解释性分析 (Grad-CAM,PCA) 证实了该模型的透明度和可解释性.

结论:

• 一个新的深度学习模型从宏观结直肠癌样本图像中准确预测MMR状态.
• 这种人工智能驱动的方法显示出作为CRC中MMR缺陷的快速和成本有效的查工具的巨大潜力.
• 该模型的可解释性支持其临床实用性,特别是在时间敏感的场景中.