预测cT1-2N0舌鳞状细胞癌淋巴结复发：人工智能与病理学家的协作

研究人员一直试图识别cT1-2N0舌鳞状细胞癌淋巴结复发的相关因素。然而，在预测模型中结合组织病理学和临床病理学信息的研究有限。本研究旨在通过整合组织病理学人工智能与临床病理学信息，为临床分期T1-2、N0舌鳞状细胞癌开发一个高精度的淋巴结复发预测模型。研究纳入了148例cT1-2N0舌鳞状细胞癌患者的数据集，并分为训练集和测试集。预测模型分别使用从全切片图像中提取的AI信息、人工评估的临床病理学信息以及两者结合的信息构建。弱监督学习和机器学习算法分别用于处理全切片图像和临床病理学信息。组合模型则同时利用了两种算法。对模型中的高预测性图像块进行了组织病理学特征分析。在测试集中，使用全切片图像、临床病理学信息以及两者结合的模型的受试者工作特征曲线下面积分别为0.826、0.835和0.991。结合全切片图像和临床病理学因素的模型获得了最高的ROC曲线下面积。组织病理学特征分析显示，与未复发病例相比，从复发病例中提取的高预测性图像块表现出显著更多的肿瘤细胞、炎症细胞和肌肉成分。此外，混合有炎症细胞、肿瘤细胞和肌肉的图像块在复发病例中比在未复发病例中显著更普遍。整合了AI提取的组织病理学信息和人工评估的临床病理学信息的模型在预测cT1-2N0舌鳞状细胞癌患者淋巴结复发方面表现出高准确性。