arXiv:2601.11691v3 Тип объявления: замена-кросс Аннотация: Глиобластома, IDH-дикого типа (GBM-IDHwt), является наиболее распространенной злокачественной опухолью головного мозга. Хотя гистоморфология является важнейшим компонентом диагностики GBM-IDHwt, она не рассматривается далее для прогноза. Здесь мы представляем объяснимую структуру искусственного интеллекта (ИИ) для идентификации и интерпретации гистоморфологических признаков, связанных с выживаемостью пациентов. Структура сочетает в себе объяснимую архитектуру обучения с множественными экземплярами (MIL), которая напрямую идентифицирует прогностически значимые фрагменты изображений, с разреженным автокодировщиком (SAE), который сопоставляет эти фрагменты с интерпретируемыми визуальными паттернами. Модель MIL была обучена и оценена на новом реальном наборе данных, включающем 720 случаев GBM-IDHwt из трех больниц и четырех онкологических регистров по всей Германии. SAE был обучен на 1878 изображениях целых срезов из пяти независимых общедоступных коллекций глиобластомы. Несмотря на множество факторов, влияющих на продолжительность жизни, наш метод продемонстрировал некоторую способность различать пациентов, проживших менее 180 дней или более 360 дней, исключительно на основе гистоморфологии (AUC: 0,67; 95% CI: 0,63-0,72). Регрессионный анализ пропорциональных рисков Кокса подтвердил значительную разницу в выживаемости между прогнозируемыми группами после корректировки на установленные прогностические факторы (отношение рисков: 1,47; 95% CI: 1,26-1,72). Три нейропатолога классифицировали выявленные визуальные паттерны на семь различных гистоморфологических групп, выявив как установленные прогностические признаки, так и неожиданные ассоциации, последние потенциально могут быть связаны с факторами, влияющими на результаты хирургического вмешательства. Представленная объяснимая структура ИИ облегчает поиск прогностических биомаркеров при глиобластоме с дефицитом дифференцировки гена глиобластомы и других заболеваниях, выделяя перспективные гистоморфологические признаки для дальнейшего анализа и выявляя потенциальные факторы, которые были бы скрыты в моделях «черного ящика».
Источник: arxiv.org
