Anvendelse af kunstig intelligens til estimering af tumorcellekernefraktion i vævssnit af malignt melanom
Oversat titel
Quantification of tumor burden by artificial intelligence in tissue sections of melanoma
Forfatter
Georgsen, Jeanette Bæhr
Semester
4. semester
Udgivelsesår
2021
Afleveret
2021-05-30
Antal sider
73
Resumé
Baggrund: Målrettet behandling af modermærkekræft, som BRAF-hæmmerterapi, forudsætter en pålidelig tolkning af mutationsanalyser, hvor vurderingen af tumorcellekernefraktionen (andelen af tumorcellekerner blandt alle cellekerner) er central. I dag vurderes denne fraktion subjektivt, hvilket kan påvirke, om patienter tilbydes effektiv behandling. Formål: At udvikle og evaluere en kunstig intelligens-baseret applikation, der kan estimere tumorcellekernefraktionen i digitaliserede HE-farvede vævssnit af malignt melanom. Metode: Vævssnit blev opdelt i datasæt til træning (60%), validering (10%) og test (30%). Træningsdata blev annoteret med en håndlavet algoritme, og et U-Net blev trænet til at segmentere og klassificere tumorcellekerner versus normale cellekerner for derigennem at beregne tumorcellekernefraktionen. Ydeevnen blev først vurderet på segmentering og klassificering (sensitivitet, specificitet og nøjagtighed) og derefter ved at sammenholde applikationens estimerede tumorcellekernefraktion med en gold standard ved Bland-Altman-analyse; derudover blev overensstemmelsen sammenlignet med patologers subjektive vurdering. Resultater: Segmentering og klassificering opnåede en sensitivitet på 45%, specificitet på 66,4% og samlet nøjagtighed på 52,8%. Applikationen underestimerede konsekvent tumorcellekernefraktionen, og den subjektive vurdering viste ligeledes utilstrækkelig overensstemmelse med gold standard. Konklusion: Den udviklede AI-applikation gav ikke mere præcise estimater end den nuværende subjektive praksis og kræver yderligere forbedringer, før den kan fungere som pålidelig beslutningsstøtte i diagnostikken.
Background: Targeted melanoma therapies such as BRAF inhibitors rely on reliable interpretation of mutation assays, in which the tumor cell nucleus fraction (the proportion of tumor nuclei among all nuclei) is pivotal. This fraction is currently assessed subjectively, which may affect whether patients receive effective treatment. Aim: To develop and evaluate an artificial intelligence application that estimates the tumor cell nucleus fraction in digitized HE-stained melanoma tissue sections. Methods: Tissue sections were split into training (60%), validation (10%), and test (30%) sets. Training labels were generated with a handcrafted algorithm, and a U-Net was trained to segment and classify tumor versus normal cell nuclei to compute the fraction. Performance was first assessed for segmentation and classification (sensitivity, specificity, accuracy) and then by comparing the application’s tumor cell nucleus fraction with a gold standard using Bland–Altman analysis; agreement was also compared with a pathologist’s subjective estimate. Results: Segmentation and classification achieved 45% sensitivity, 66.4% specificity, and 52.8% overall accuracy. The application consistently underestimated the tumor cell nucleus fraction, and the subjective estimate likewise showed poor agreement with the gold standard. Conclusion: The AI application did not outperform current subjective assessment and requires further improvement before it can serve as reliable decision support in diagnostics.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet (PDF)]