在儿科脑瘤免疫组织化学图像中的Ki-67标记指数的量化
Christoforos Spyretos1,2, Juan Manuel Pardo Ladino1, Hakon Andersen Blomstrand3,4
1Department of Biomedical Engineering, Linköping University, Linköping, Sweden.
Journal of neuropathology and experimental neurology
|March 10, 2026
概括
针对儿科大脑瘤,开发了一种用于Ki-67在整个幻灯片图像 (WSI) 中得分的自动化框架. 这种由人工智能驱动的工具准确地量化了扩散,有助于瘤诊断和预后评估.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
背景情况:
- 手动量化Ki-67标记指数 (LI) 是瘤评估的标准,但耗时且主观.
- 需要自动化方法来提高研究Ki-67 LI量化的效率和一致性.
研究的目的:
- 开发和验证一个自动化的计算框架,用于在儿童脑瘤的全幻灯片图像 (WSIs) 中量化Ki-67 LI.
- 评估自动化框架在大量儿科脑瘤病例中的表现.
主要方法:
- 在WSIs中开发了一个使用QuPath (Apache Groovy) 和Python进行Ki-67评分的自动化管道.
- 使用像素分类器进行组织细分和StarDist (深度学习) 进行细胞细分.
- 使用自适应值来分类Ki-67阳性/阴性核,并生成细胞密度图.
主要成果:
- 将框架应用于632例儿科脑瘤病例中的734个Ki-67 WSI.
- 在各种瘤类型中确定了不同的Ki-67 LI模式:中枢细胞母细胞瘤 (19.84),非典型的甲状腺状腺瘤 (19.36),高级质瘤 (9.50),低级质瘤 (0.85).
- 自动Ki-67 LI与神经病理学共识的显著相关性 (P < .05) 已被证明.
结论:
- 该自动化框架在儿科脑瘤中提供了准确和可重现的Ki-67 LI量化.
- 这种计算工具可以帮助研究人员分析瘤扩散并提高诊断准确度.
- 这些发现支持将人工智能驱动的数字病理学工具整合到神经瘤学研究中.


