组织病理学 基于图像的深度学习 预测子宫内膜癌的组织学类型

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 2023年FIGO分期系统将子宫内膜癌 (EC) 分为攻击性和非攻击性类型.
• 精确的EC组织类型测定对于治疗和预后至关重要.

研究的目的:

• 开发和验证一个深度卷积神经网络 (CNN) 用于使用H&E染色图像来区分攻击性和非攻击性EC组织类型.
• 评估开发的CNN模型的概括性,临床实用性和与分子亚型的相关性.

主要方法:

• 一个CNN,EC-AI^HIS,在1187个EC标本上受过训练.
• 该模型的性能使用交叉验证和外部验证队列进行了评估.
• 通过模拟,对病理学家进行基准测试和与分子亚型的相关性来评估临床效用.

主要成果:

• 在EC-AI^HIS中,AUC达到0.911,灵敏度为82%,特异性为83%.
• 该模型在各种图像质量和扫描仪类型上都表现出了稳健性.
• EC-AI^HIS提高了初级病理学家的诊断准确度,并在p53abn亚型中显示出预后潜力.

结论:

• EC-AI^HIS是一种有效的AI工具,用于协助病理学家对子宫内膜癌组织类型进行分类.
• 该模型有助于区分攻击性和非攻击性EC,可能有助于改善患者管理.