基于临床特征与苏木精-伊红染色全切片图像的临床条件性深度学习模型预测垂体神经内分泌肿瘤五种病理亚型

《BMC Medical Informatics and Decision Making》：A clinically conditional deep learning model for predicting histological subtypes of pituitary neuroendocrine tumors from hematoxylin-eosin whole-slide images

　　

摘要

背景

垂体神经内分泌肿瘤的病理亚型分类对于预后评估和治疗决策具有重要意义。然而，目前的亚型分类严重依赖于广泛的免疫组织化学检测，该检测耗时、耗资且消耗组织标本。我们旨在开发一种临床条件性深度学习模型，将常规可用的临床特征与苏木精-伊红染色全切片图像相结合，以预测垂体神经内分泌肿瘤的五种亚型。

方法

为应对垂体神经内分泌肿瘤的病理形态学特征，我们设计了一种自动化的病理学驱动图像分块选择策略，重点关注具有诊断意义的肿瘤区域，并采用掩码策略模拟缺失的临床特征。模型性能通过内部测试集上五个交叉验证模型的集成推理以及时间序列和外部验证集进行评估。模型以准确率、敏感度、特异度、预测值及受试者工作特征曲线下面积（含95%置信区间）进行评价。采用配对DeLong检验和McNemar检验对模型进行比较，以P < 0.05为显著性标准。可视化注意力热图以进行可解释性分析。

结果

在内部留出测试集上，临床条件性模型的总体准确率为91.8%，受试者工作特征曲线下面积（AUC）为0.934，优于单模态全切片图像模型（准确率87.3%，AUC 0.905；P < 0.05）。在时间序列和外部验证集上，临床条件性模型的总体准确率为86.9%，AUC为0.901，同样超过了仅基于全切片图像的单模态模型（准确率84.6%，AUC 0.868；P < 0.05）。可解释性分析显示，模型注意力集中于具有形态学意义的区域，且决策过程与已识别的个体垂体神经内分泌肿瘤亚型的病理特征相似。

结论

这些初步结果表明，将临床特征与组织病理学相结合可能更好地模拟病理医生在日常诊断中的综合推理过程。这一探索性方法有望作为辅助决策支持工具，促进辅助检测的优先排序，优化诊断流程，改善资源配置，尤其是在资源有限的医疗环境中。