基于深度学习模型的架构用于肺瘤突变概况:系统性审查

科学领域:

• 计算病理学计算病理学
• 数字组织病理学 数字组织病理学
• 人工智能在瘤学中的应用

背景情况:

• 非小细胞肺癌 (NSCLC) 呈现出显著的异质性,使分子分析和治疗复杂化.
• 深度学习 (DL) 提供了一种新的方法,可以从常规的血素和乙素 (H&E) 基因病理学图像中提取基因组洞察力.
• 这补充了用于精密瘤学的传统下一代测序 (NGS).

研究的目的:

• 系统地审查DL模型在预测NSCLC中分子变化的应用,使用H&E染色基因病理学幻灯片.
• 评估当前DL方法在这个领域的性能和局限性.

主要方法:

• 在主要科学数据库 (PubMed,Scopus,Web of Science) 进行了遵循PRISMA 2020指南的系统文献搜索.
• 包括到2025年3月发表的利用DL用于NSCLC从H&E幻灯片的突变预测的研究.
• 数据提取侧重于模型架构,数据集和性能指标.

主要成果:

• 16项研究符合纳入标准,主要使用卷积神经网络 (CNN).
• 模型经常使用癌症基因组图谱 (TCGA) 数据集进行训练,以预测EGFR,KRAS和TP53.3等突变.
• 报告的预测性能 (曲线下的区域) 从0.65到0.95不等,表明有希望但不一致的结果.

结论:

• 基于DL的组织病理学表明,与NSCLC中的分子签名相关联的组织形态具有显著的潜力.
• 方法上的不一致,样本规模有限,外部验证不足,阻碍了临床转化.
• 标准化,大型多中心研究和强大的验证对于未来的临床实施至关重要.