基于人工智能的有丝分裂量化辅助尿路上皮癌病理分级并降低观察者间差异

《Scientific Reports》：Deep learning-based mitotic quantification for objective adjunct for grading of urothelial carcinoma: a multi-institutional validation study

　　尿路上皮癌的病理分级存在观察者间差异。我们评估了基于人工智能（AI）的全切片有丝分裂量化是否能作为病理分级的客观辅助工具。我们开发并验证了一种深度学习驱动的有丝分裂检测框架，该框架在91,183个切片块上训练，包含318,893个标注。我们在内部队列（n = 149）和外部队列（n = 316）中开展了一项多读者交叉研究，由三位独立的病理学家在辅助前和模型辅助两个阶段分别对病例进行分级。在合并队列（n = 465）中，AI导出的有丝分裂计数在每2 mm2 17.5个有丝分裂的阈值下，对高级别癌显示出高诊断准确性（曲线下面积 [AUC] 0.91，95% CI 0.89–0.94）。AI辅助显著提高了内部队列中读者的平均AUC，从0.90提升至0.98（p = 0.038）。在外部队列中，读者的平均AUC从0.84提升至0.95，但该差异未达统计学显著性（p = 0.11）。AI辅助还显著降低了观察者间变异（Fleiss's κ：内部从0.72提升至0.93；外部从0.62提升至0.85；均p < 0.001）。基于AI的有丝分裂量化为病理分级提供了一种客观且标准化的辅助工具，并降低了观察者间变异。该方法有望提高诊断准确性并支持临床决策，但仍需前瞻性验证。