人工智能驱动的T1食道状细胞癌中淋巴结转移的预测,使用整个幻灯片图像

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 数字病理学数字病理学

背景情况:

• 精确预测淋巴结转移 (LNM) 对T1食道状细胞癌 (ESCC) 管理后内镜下膜剖析 (ESD) 至关重要.
• 由于不准确的LNM预测,过度治疗可能导致显著的发病率.

研究的目的:

• 开发和验证基于深度学习的人工智能 (AI) 模型,用于使用整个幻灯片图像 (WSI) 预测T1 ESCC中的LNM.
• 评估人工智能模型在减少过度治疗的性能,同时在高风险的ESD病例中保持诊断准确性.

主要方法:

• 从160个手术切除ESCC病例 (72个LNM+,88个LNM-),在WSIs上训练并验证了一个深度学习模型.
• 在374名以前没有ESD的患者进行了内部测试.
• 外部验证使用了临床高风险ESD病例的队列,从肌肉粘膜 (MM) 到下粘膜2 (SM2) 的入侵深度.

主要成果:

• 人工智能模型在内部测试中实现了0.949的曲线下的面积 (AUC).
• 外部验证显示准确率为90.1%,灵敏度为81.8%,特异性为91.4%,负预测值为96.9%.
• 该模型正确分类了外部ESD队列中的90.1%的样本.

结论:

• 开发的AI模型显示了在T1 ESCC中预测LNM的高准确性和特异性.
• 该模型的高NPV表明它有可能显著降低患食道癌ESD患者的过度治疗.
• 这种人工智能工具可以帮助临床医生做出更明智的治疗决策,改善患者的治疗结果.