PATH-46. AUTOMATED HISTOPATHOLOGIC CLASSIFICATION OF BRAIN TUMORS USING ARTIFICIAL INTELLIGENCE
Notice bibliographique
Résumé
Brain tumors represent a diverse group of neoplasms with highly variable therapies and clinical outcomes. Early personalized clinical management and initiation of precision-based molecular studies still heavily relies on morphologic interpretation of hematoxylin and eosin (H&E)-stained slides. Unfortunately, due to its qualitative nature, histopathological classification is prone to well-recognized inter-observer variability. To overcome this limitation, we developed an objective morphology-based brain tumor classifier using a deep convolutional neural network (CNN). Our CNN is trained on a dataset of over one million pathologist- and molecularly-annotated image patches from H&E slides spanning over 20 common brain tumor classes. Importantly, our tool is fully automated, compatible with standard pathology workflows and provides prompt whole-slide annotation and lesion classification in under 5 minutes. The performance of our CNN-based tumor classifier is highly concordant with board-certified pathologists and confirmatory immunohistochemical stains. Testing reveals an area under the receiver operator characteristic (AUC) of >0.95 for multiple classification tasks, including lesion localizing and differentiating among different brain tumor classes. In certain scenarios, it also offers objective predictions of actionable molecular alterations (IDH mutations and 1p19q co-deletions). Lastly, we use cloud-computing to provide our classifier as a web-based tool capable of rendering timely second opinions and quality assurance to remote cancer centers requiring additional subspecialized neuropathological expertise. This study demonstrates the efficacy of utilizing artificial intelligence to create an autonomous histologic brain tumor classifier. Acutely, our compact tool aims to provide prompt, intra-operative information to help tailor surgical resections and personalized therapies. In the sub-acute setting, our CNN can provide objective triaging of molecular tests to help reduce diagnostic work-up times, costs and subjective interpretative errors. Our classifier thus has immediate translational potential as a rapid, precise and cost-effective tool to help guide personalized care in neuro-oncology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».