非小细胞肺癌亚型的分类基于跨规模的多实例学习

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
• 医疗图像分析 医学图像分析

背景情况:

• 非小细胞肺癌 (NSCLC) 亚型,包括肺腺癌 (LUAD) 和肺状细胞癌 (LUSC),带来了影响治疗的诊断挑战.
• 准确的亚型分类对于有效的NSCLC治疗计划至关重要.

研究的目的:

• 开发和验证一种新的多实例学习 (MIL) 模型,用于增强NSCLC亚型的病理图像分类.
• 用计算病理学来提高区分LUAD与LUSC的准确性和可靠性.

主要方法:

• 开发了一种新型的MIL模型,其中包含一个附加的注意力机制和一个类别分类器.
• 整合了一种跨度焦点区域检测策略,以提高特征灵敏度.
• 该模型在癌症基因组图谱 (TCGA) 数据集上进行了训练,并在CPTAC TCIA和外部医院数据集上进行了验证.

主要成果:

• 该模型在TCGA数据集上实现了97.0%的精度 (ACC) 和0.978的ROC曲线下的面积 (AUC),优于现有方法.
• 对外部数据集的验证显示了强大的性能,ACC为91.2%和93.0%,AUC为0.967和0.968.
• 废弃性研究证实了每个模型组件对性能的重大贡献.

结论:

• 拟议的MIL模型在分类LUAD和LUSC亚型方面表现出卓越的性能.
• 该模型在各种数据集中表现出强大的概括能力,表明其临床应用的潜力.
• 这种人工智能驱动的方法为准确的NSCLC亚型诊断和改善患者管理提供了可靠的工具.