肿瘤术中的组织病理学检查是原发性中枢神经系统淋巴瘤(PCNSL)等多种脑肿瘤诊断的金标准方法,是肿瘤手术期间临床决策的重要依据。然而,将PCNSL与其他原发性中枢神经系统肿瘤区分开来仍然具有挑战,受限于术中诊断的时间限制,约10%~20%的病例无法在术中得到明确诊断,并影响临床决策。因此,当前急需开发便捷、快速、可靠的PCNSL组织病理学诊断新方法。
近日,中山大学蔡木炎/谢丹团队联合南方医科大学冶亚平/王瑜团队在《Nature Communications》期刊上发表题为“A multicenter proof-of-concept study on deep learning-based intraoperative discrimination of primary central nervous system lymphoma”的研究文章。该研究基于苏木精-伊红染色的冷冻全玻片图像和深度学习算法开发了一种PCNSL新诊断模型,能够准确区分PCNSL和非PCNSL病变。
在外部验证队列中,新模型在区分PCNSL与神经胶质瘤上实现0.965和0.972的AUROC,在区分PCNSL与非PCNSL病变(神经胶质瘤与其他脑部病变)上实现0.981和0.993的AUROC。该模型的诊断性能显著超过具有1/5年脑肿瘤术中病理诊断经验的病理学家,相比具有10年经验的病理学家略优或相当。并且在该模型的辅助下,仅有1年经验的病理学家同样表现出与10年经验病理学家相当的PCNSL诊断能力。
该研究建立了基于苏木精-伊红染色的冷冻全玻片图像的PCNSL诊断模型。在该模型辅助下,病理学家尤其是低工作年龄的病理学家的PCNSL诊断能力得到进一步提升,有望提高PCNSL与其他脑部病变的术中鉴别能力,并为术中的临床决策提供关键依据。
论文链接:
https://www.nature.com/articles/s41467-024-48171-x
注:此研究成果摘自《Nature Communications》期刊,文章内容并不代表本网站的观点和立场,仅供参考。