深度学习增强生物标记解释细胞细胞块 - 空间病理生物学的基础和新兴机会

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 细胞病理学 细胞病理学

背景情况:

• 细胞学细胞块对于晚期恶性瘤诊断和治疗生物标志物评估至关重要.
• 它们保护瘤细胞和微环境,使它们适合免疫组织化学.
• 计算病理学和深度学习为生物标志物解释提供了新的途径.

研究的目的:

• 突出人工智能 (AI) 在解释细胞细胞块上的生物标志物中的应用.
• 审查AI在评估PD-L1,HER2,ER/PR,Ki-67,ALK/ROS1,BRAF V600E等生物标志物的作用,以及p16.
• 讨论AI在从形态学和分析空间病理生物学中推断生物标志物状态方面的潜力.

主要方法:

• 在细胞学细胞块上的生物标志物解释中对人工智能应用的审查.
• 探索深度学习模型,用于定量评估瘤与免疫相互作用.
• 讨论新兴的预测模型,从形态学中推断生物标志物状态.

主要成果:

• 人工智能增强了细胞块上的生物标志物解释,提高了可复制性和减少了变异性.
• 人工智能应用包括指导免疫治疗,向治疗和激素治疗的关键生物标志物.
• 新兴的人工智能模型可以从细胞块形态学直接预测生物标志物状态.

结论:

• 细胞质细胞块是人工智能驱动的生物标志物解释的重要平台.
• 人工智能整合到细胞学工作流程中,有望在形态学驱动的精密瘤学方面取得进展.
• 人工智能增强了细胞块标本在晚期癌症中的诊断和治疗效用.