来自黑色素瘤整片图像细分的AI衍生的预后生物标志物:初步发现和评估
Emily L Clarke1,2, Derek Magee3,4, Julia Newton-Bishop5
1Department of Histopathology, Leeds Teaching Hospitals NHS Trust, Leeds, UK.
The journal of pathology. Clinical research
|March 4, 2026
概括
一个新的卷积神经网络 (CNN) 分析黑色素瘤整片图像 (WSIs) 来预测患者的生存率. 这种人工智能工具提供客观和自动化的黑色素瘤形态分析,提高预后准确度超出目前的分期系统.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 在瘤学瘤学.
背景情况:
- 目前的黑色素瘤分期系统在预测生存差异方面存在局限性.
- 现有的黑色素瘤预后生物标志物在观察者之间存在显著的变化.
- 需要客观和自动化的方法来分析黑色素瘤形态,以改善预后.
研究的目的:
- 评估卷积神经网络 (CNN) 在整个幻灯片图像 (WSI) 中黑色素瘤细分的实用性.
- 确定CNN衍生的形态参数是否可以预测患者的生存率,并提供新的预后见解.
- 评估CNN对黑色素瘤生物标志物的客观和自动分析的潜力.
主要方法:
- 之前开发的CNN用于WSIs的侵入性黑色素瘤细分被利用.
- 考克斯比例多变量回归分析是在5个数据源中对来自745个WSI的数据进行的.
- 五个客观组织形态参数 (瘤面积,周长,主要轴长度,结节指数,数字布雷斯洛厚度) 由CNN输出得出.
主要成果:
- 来自CNN的参数,包括瘤面积,周长,主要轴长度,结节指数和数字布雷斯洛厚度,独立地与整体和黑色素瘤特异性存活率相关.
- 经日志转换的参数显示了显著的危险比率 (HR) 和p值,表明了对患者结果的强大预测能力.
- 美国有线电视新闻 (CNN) 的结果表明,它有能力预测患者的生存率,比目前的方法更具客观性和自动化.
结论:
- 在WSIs中使用CNN对整个病变的黑色素瘤细分可以有效地预测患者的结果.
- 这项技术使得新的形态发现 (例如,结节性指数) 成为可能,而这些发现目前还没有在分期系统中实现.
- 对于当前的生物标志物 (例如数字布雷斯洛厚度),CNN提供了客观性和自动化,提高了预测能力.
