Прогнозирование молекулярного онкологического биомаркера щитовидной железы BRAF (V600E) по цитологическим препаратам с использованием глубокого обучения без аннотаций
Annotation-Free Deep Learning-Based Prediction of Thyroid Molecular Cancer Biomarker BRAF (V600E) from Cytological Slides
2023-01-28
SCID: 54.1/h374ak3k
Discuss with AI
мутация BRAF (V600E)глубокое обучениепрецизионная онкологиятонкоигольная аспирационная цитология щитовидной железыполноразмерные изображения стекол
Figures from the paper
Abstract (AI)
Рак щитовидной железы является наиболее распространённым эндокринным раком. Папиллярный рак щитовидной железы (PTC) — наиболее частая форма злокачественных новообразований среди всех видов рака щитовидной железы, происходящих из фолликулярных клеток. Тонкоигольная аспирационная цитология (FNAC) представляет собой неинвазивный метод, который считается наиболее экономически эффективным и точным методом выбора для диагностики PTC. Выявление мутации BRAF (V600E) при неоплазиях щитовидной железы может иметь клиническую пользу, поскольку эта мутация специфична для злокачественных новообразований, указывает на худший прогноз и является мишенью селективных ингибиторов BRAF. Насколько известно авторам, это первая автоматизированная платформа прецизионной онкологии, позволяющая эффективно прогнозировать результат иммуногистохимического окрашивания на BRAF (V600E) в образцах после тиреоидэктомии непосредственно по цитологическим препаратам тонкоигольной аспирационной цитологии щитовидной железы, окрашенным по Папаниколау, и препаратам ThinPrep, что может быть полезно для разработки новых таргетных методов лечения и прогнозирования исхода заболевания. Предложенная платформа глубокого обучения (DL) была оценена на наборе данных из 118 полносканированных изображений стекол. Результаты показали, что предложенный метод на основе DL обеспечивает точность 87%, precision 94%, чувствительность 91%, специфичность 71%, а среднее значение чувствительности и специфичности составляет 81%; при этом он превзошёл три современных подхода глубокого обучения. Это исследование демонстрирует возможность прогнозирования критически важных молекулярных характеристик по цитологическим препаратам с использованием DL, что может не только способствовать точной диагностике, но и предоставлять полезную информацию для принятия клинических решений у пациентов с раком щитовидной железы. По мере накопления данных и непрерывного развития технологий ожидается дальнейшее повышение эффективности систем DL в ближайшем будущем. Поэтому мы ожидаем, что DL сможет предоставить экономически эффективный и более быстрый альтернативный инструмент для пациентов в эпоху прецизионной онкологии.
Key Findings
1
На наборе из 118 полноразмерных изображений модель достигла точности 87%, точности положительных предсказаний 94%, чувствительности 91% и специфичности 71%.
2
Представлен первый заявленный бессегментационный фреймворк глубокого обучения для прогнозирования иммуногистохимического статуса BRAF (V600E) непосредственно по цитологическим препаратам FNAC и ThinPrep щитовидной железы.
3
Авторы отмечают, что накопление данных и развитие технологий необходимы для дальнейшего повышения эффективности и реализации экономичного и быстрого инструмента прецизионной онкологии.
4
Результаты демонстрируют возможность прогнозирования клинически значимых молекулярных биомаркеров по цитологическим препаратам для поддержки диагностики, оценки прогноза и выбора таргетной терапии.
5
Среднее значение чувствительности и специфичности составило 81%, а предложенный метод превзошёл три современных подхода глубокого обучения.
6
Авторы отмечают, что накопление данных и развитие технологий необходимы для дальнейшего повышения эффективности и реализации экономичного и быстрого инструмента прецизионной онкологии.
7
На наборе из 118 полноразмерных изображений модель достигла точности 87%, точности положительных предсказаний 94%, чувствительности 91% и специфичности 71%.
8
Представлен первый заявленный бессегментационный фреймворк глубокого обучения для прогнозирования иммуногистохимического статуса BRAF (V600E) непосредственно по цитологическим препаратам FNAC и ThinPrep щитовидной железы.
9
Результаты демонстрируют возможность прогнозирования клинически значимых молекулярных биомаркеров по цитологическим препаратам для поддержки диагностики, оценки прогноза и выбора таргетной терапии.
10
Среднее значение чувствительности и специфичности составило 81%, а предложенный метод превзошёл три современных подхода глубокого обучения.
Research Object
Папиллярный рак щитовидной железы, представленный на окрашенных по Папаниколау цитологических препаратах тонкоигольной аспирации щитовидной железы и препаратах ThinPrep
Research Subject
Статус иммуногистохимического/молекулярного биомаркера BRAF (V600E) и его прогнозирование по морфологии цитологических препаратов
Publication Details
Publication Date
2023-01-28
Journal
Publisher
ISSN
Cited by
44
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Глубокое остаточное обучение для распознавания изображений2016
Рекомендации Американской тиреоидной ассоциации 2015 года по ведению взрослых пациентов с узлами щитовидной железы и дифференцированным раком щитовидной железы: рабочая группа Американской тиреоидной ассоциации по рекомендациям для пациентов с узлами щитовидной железы и дифференцированным раком щитовидной железы2015
Глубокое обучение в диагностике рака, прогнозировании исходов и выборе лечения2021