Nov, 2023
LymphoML: 一种可解释的基于人工智能的方法发现与淋巴瘤亚型相关的形态特征
LymphoML: An interpretable artificial intelligence-based method
identifies morphologic features that correlate with lymphoma subtype
TL;DR利用H&E染色组织精确分类淋巴瘤亚型的方法是复杂的，本研究提出了LymphoML - 一种可解释的机器学习方法，它识别与淋巴瘤亚型相关的形态特征，通过处理H&E染色组织微阵列核心、分割细胞核和细胞、计算包括形态学、纹理和结构的特征，并训练梯度增强模型进行诊断预测。LymphoML的可解释模型在有限量的H&E染色组织上达到了与病理学家使用全层切片图像相当的诊断准确性，并在跨越8个淋巴瘤亚型的670个病例的危地马拉数据集上胜过黑匣子深度学习。通过SHapley Additive exPlanation (SHAP)分析，我们评估了每个特征对模型预测的影响，并发现核形状特征对DLBCL（F1得分：78.7%）和典型霍奇金淋巴瘤（F1得分：74.5%）最具鉴别性。最后，我们首次证明了将H&E染色组织特征与标准化的6种免疫染色特征相结合的模型具有类似的诊断准确性（85.3%）与46种免疫染色特征的模型（86.1%）。