FigATree:用于肺腺癌的组织学亚型和分级的新框架
Qiang Huang1,2, Jiajun Zhang1, Qiming He1,3,2
1Shenzhen International Graduate School, Tsinghua University, 518000, Shenzhen, P. R. China.
Virchows Archiv : an international journal of pathology
|November 27, 2025
概括
人工智能框架FigATree通过分析组织学模式,准确诊断肺腺癌 (LUAD). 这种可解释的工具增强了分类和分级,优于当前的方法,用于更好的临床翻译.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 组织病理学图像分析分析.
背景情况:
- 肺腺癌 (LUAD) 呈现出显著的形态异质性,使准确的病理亚型和分级复杂化.
- 当前的深度学习方法往往缺乏在LUAD诊断中临床应用所需的细粒度和可解释性.
研究的目的:
- 介绍FigATree,一个可解释的AI框架,旨在准确的LUAD诊断.
- 为了提高人工智能驱动的基因病理学对LUAD分类的细粒度和可解释性.
主要方法:
- FigATree集成了基础模型增强的区域级编码器与基于XGBoost的幻灯片级分类器.
- 该框架应用于1186个经过H&E染色的全幻灯片图像,用于区域和幻灯片层面的分析.
- 进行了外部验证,以评估可概括性.
主要成果:
- FigATree 在分类六个组织学模式时,在区域一级取得了超过95%的准确性.
- 幻灯片级分类和分化分级的准确性分别达到90%和85%,表现优于基线.
- 外部验证显示了高区域级 (近100%) 和幻灯片级 (80%) 的准确性,证实了概括性.
结论:
- FigATree提供准确和可解释的LUAD分类,将预测与病理学标准对齐.
- 该框架在区域和幻灯片层面提供透明度,促进临床信任.
- FigATree 代表了一个可扩展的计算基因病理学范式,改进了 LUAD 诊断.
更多相关视频
06:51Utilizing 18F-FDG PET/CT Imaging and Quantitative Histology to Measure Dynamic Changes in the Glucose Metabolism in Mouse Models of Lung Cancer
Published on: July 21, 2018
18.5K
11:00Establishment and Analysis of Tumor Slice Explants As a Prerequisite for Diagnostic Testing
Published on: November 29, 2018
14.8K
