图表基于神经网络的多尺度全幻灯片图像融合用于pt肌肉侵入性膀癌的分期
Qian Li1, Qing Feng Chen2, Nan Qing Liao3
1School of Computer and Information Engineering, Guangxi Vocational Normal University, Nanning, China.
Cancer science
|December 24, 2025
概括
一个使用图形神经网络 (GNN) 的AI模型从整个幻灯片图像中准确地分阶段肌肉侵入性膀癌 (MIBC). 这种自动化方法提高了效率和一致性,而不是手动的病理学审查.
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
- 数字病理学数字病理学
背景情况:
- 准确的原发性瘤 (pT) 阶段测定对于肌肉侵入性膀癌 (MIBC) 治疗和预后至关重要.
- 目前的基因病理分期依赖于手动显微镜评估,这耗时且容易引起观察者之间的变化.
研究的目的:
- 开发和验证人工智能驱动的自动诊断模型,用于使用全幻灯片图像 (WSI) 进行MIBC的pT分期.
- 通过人工智能提高MIBC pT分期的诊断效率和准确性.
主要方法:
- 一个图形神经网络 (GNN) 模型被开发和验证,使用来自TCGA的281个H&E染色WSI和83个外部医院样本.
- 该GNN集成了多个尺度的WSI数据,并纳入了一个多个尺度的注意力机制,以实现可解释性.
- 用AUC,精度,灵敏度和特异性来评估模型性能,并与专家病理学家进行比较.
主要成果:
- 在MIBC pT分期的外部验证中,GNN模型实现了0.911的AUC和0.905的准确性.
- 解释性分析确定了与每个T阶段相关的独特透模式.
- 该模型与地面真相和专家病理学家有很强的一致性 (科恩的卡帕>0.876).
结论:
- 一个多尺度的WSI集成的GNN模型使MIBC的精确基因病理阶段确定成为可能.
- 人工智能模型有效地捕捉了关键的瘤透模式,提供与专家病理学家可比的一致准确性.
- 这种AI方法提高了MIBC pT分期的诊断效率和准确性.
