通过深度学习计算线性数字的适用性:一个发展和泛癌验证研究

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
• 癌症诊断 癌症诊断 癌症诊断

背景情况:

• 线粒体数字计数是用于癌症分级的细胞增殖的一个关键指标.
• 准确和高效的线粒数计数对于预后评估至关重要.
• 目前的手动方法可能耗时,并且受观察者之间的变化影响.

研究的目的:

• 开发和验证深度学习 (DL) 方法,用于自动化线粒体数字计数.
• 为了评估基于DL的线粒细胞的预后影响,在不同类型的癌症中计算数字.
• 评估DL在自动化病理学工作流程和扩展预后标志物的潜力.

主要方法:

• 一个DL模型被训练在H&E染色乳腺癌组织的整个幻灯片图像上,专家注释了线粒细胞的数字.
• 外部验证是在7种癌症类型的13个队列中的14571名患者样本上进行的.
• 使用基于每毫米2.2的线粒细胞数值的无变Cox生存分析来评估预后影响.

主要成果:

• DL方法与已确定的扩散率有很强的相关性.
• 在大多数测试癌症类型 (不包括结直肠癌) 中,较高的每毫米2的线粒细胞数与患者的更差结局有显著的关联.
• 自动计数显示了病理学自动化和更广泛的临床应用的实际潜力.

结论:

• 基于深度学习的自动化线粒数计数是瘤学的可行和预后工具.
• 这项技术可以提高病理学效率,并提供有价值的预后信息.
• 这种方法显示出扩大用于各种癌症类型的承诺,包括前列腺癌.