一种基于AI的IHC量化技术,用于协助MCL与CLL/SLL的区分
Zizhu Tian1, Zeyu Deng1, Fangjian Han2
1Department of Hematology, The Second Xiangya Hospital of Central South University, Changsha, Hunan, P. R. China.
British journal of haematology
|February 24, 2026
概括
人工智能 (AI) 提高了区分上衣细胞淋巴瘤与慢性淋巴细胞白血病/小淋巴细胞淋巴瘤的准确性. 这种基于人工智能的方法提供了对免疫组织化学标记的客观和可重复的定量分析,以提高诊断效率.
科学领域:
- 血液学 血液学 血液学
- 计算病理学计算病理学
- 在瘤学瘤学.
背景情况:
- 区分地幔细胞淋巴瘤 (MCL) 和慢性淋巴细胞白血病/小淋巴细胞淋巴瘤 (CLL/SLL) 对于适当的临床管理至关重要.
- 传统的诊断方法依赖于免疫组织化学 (IHC) 标志物的手动解释,这些标志物可能是主观的,容易变化.
- 需要更客观和标准化的方法来提高血液恶性瘤的诊断准确性.
研究的目的:
- 评估人工智能 (AI) 平台对IHC标记物进行定量分析的有效性,以区分MCL与CLL/SLL.
- 引入和评估一种新的虚拟双免疫组织化学 (IHC) 标签技术.
主要方法:
- 基于AI的平台被用于分析84名患者91个样本中的关键IHC标记物 (CD3,CD5,CD10,CD20,CD23,Cyclin D1,BCL-2,BCL-6,Ki-67) 的表达.
- 开发了一种虚拟双IHC标签技术,用于同时对抗原进行可视化.
- 人工智能驱动的定量分析与手动解释进行了比较.
主要成果:
- 与手动解释相比,AI系统在测量IHC标志物表达时表现出卓越的客观性,可重现性和准确性.
- 人工智能辅助的框架成功地提高了诊断效率,将MCL与CLL/SLL区分开来.
- 虚拟双IHC技术使抗原的同时可视化成为可能.
结论:
- 人工智能技术为提高IHC分析在淋巴瘤诊断中的准确性和标准化提供了一个有希望的框架.
- 人工智能辅助的定量分析可以显著提高诊断效率,减少观察者之间的变化.
- 这种方法有可能促进血液恶性瘤的精确分化.
更多相关视频
07:52Multiplexed Fluorescent Immunohistochemical Staining, Imaging, and Analysis in Histological Samples of Lymphoma
Published on: January 9, 2019
20.6K
11:38Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
Published on: October 4, 2024
1.1K
