基于机器学习的胃萎缩病理组学标签的临床应用

这是一篇关于基于机器学习的胃萎缩病理组学标签的临床应用的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

基于机器学习的胃萎缩病理组学标签的临床应用

• 题目
  • Clinical application of machine learning‐based pathomics signature of gastric atrophy
• 摘要
  • 背景/目的
    • 胃萎缩的诊断具有很强的主观性，我们旨在根据病理特征建立胃萎缩的模型，以提高诊断的一致性
  • 方法
    • 回顾性收集了胃活检的HE染色病理切片，并使用CellProfiler软件对每个样本的10张代表性图像进行图像分割和特征提取
    • 使用 LASSO 选择特征和不同的机器学习( ML )算法构建胃萎缩诊断模型
    • 对数据进行归一化处理后，计算了特征之间的皮尔逊相关系数。如果特征之间的相关系数大于0.9，则只保留一个特征
    • 以8：2的比例将数据分为训练集和验证集
      • 169：42
    • 我们选取了289张病理切片，其中169张用于模型训练，42张用于测试，78张来自不同年份的病理切片用于外部验证
    • 9种机器学习模型
    • 2名专业病理医师独立诊断289张切片，诊断一致性强，Kappa值为0.68 ( 95 % CI : 0.60 ~ 0.77 , P < 0.001)
    • 有分歧的幻灯片由两名专家进行联合评估。最后，两位病理学家通过共同讨论，对所有不一致的幻灯片达成共识
  • 结果
    • 选取了289例胃活检标本进行训练、测试和外部验证
    • 提取464个病理特征，通过LASSO筛选出10个特征，建立中重度萎缩的诊断模型
    • 324个与细胞核颗粒度、纹理、大小、形状和像素强度分布相关的特征
    • 124个与图像质量、强度、共定位和强度之间的相关性相关的特征
    • 各种机器学习算法的AUC 在训练集中为0.835 ~ 1.000，在测试集中为0.786 ~ 0.949，在外部验证集中为0.689 ~ 0.818
    • LR模型的AUC值最高，训练集为0.900，测试集为0.901，外部验证集为0.818
    • 根据约登指数选取0.47为截断值，将LR模型转化为胃萎缩的病理评分( PS )，包括高PS和低PS
      • 病理评分( PS )
    • 单因素Logistic回归分析中，性别、年龄和PS与GC相关
    • 随后，进行了多因素logistic回归分析，调整了性别和年龄。结果显示PS是GC ( OR = 5.70 )的独立危险因素
    • 基于LR模型的萎缩病理评分与内镜下萎缩分级( Z = -2.478 , P = 0.013)和胃癌( OR = 5.70 , P < 0.001)相关
  • 结论
    • 基于病理特征的ML模型可提高胃萎缩的诊断一致性，并与内镜下萎缩分级和胃癌相关
• 字不如表
  • Table 1
    • 机器学习诊断中重度胃萎缩的效能
  • Table 2
    • 我们的模型与之前模型的比较
  • Table 3
    • 对GC进行单因素和多因素Logistic回归分析
      • PS，胃萎缩病理评分
• 表不如图
  • Figure 1
    • 整个研究设计的工作流程
      • 通过Cellprofiler软件提取病理特征，并通过LASSO进行特征选择
      • 通过多种机器学习算法建立诊断模型
      • 并通过AUC、直方图和DCA进行评估
  • Figure 2
    • 基于LASSO算法的中重度胃萎缩的病理组学特征选择
      • 434个通过皮尔逊相关系数筛选出203个特征
      • (A)特征的LASSO系数剖面
      • (B)LASSO模型中调节参数的选取
      • (C)选取的特征权重系数
      • 通过Lasso回归选择了10个非零系数特征
  • Figure 3
    • 不同机器学习模型在训练集、测试集和外部验证集中诊断中重度胃萎缩的AUC值的直方图
  • Figure 4
    • LR模型对中重度胃萎缩的疗效
      • (A、B)测试集中的DCA和预测直方图
      • (C、D)外部验证集中的DCA和预测直方图
  • Figure 5
    • 1000次bootstrap的logistic回归模型的性能
• 补充材料
  • Table S1
    • 胃活检图像处理管道提取的定量特征综合列表
    • 去除30个不相关或异常特征后，剩余434个
  • Figure S1
    • 通过Qupath软件选取染色效果最好的代表性区域
  • Figure S2
    • PS与内镜下萎缩分级(木村武本分类)的相关性
    • 探讨了PS与内镜下萎缩分级(木村武本分类)之间的相关性
    • 结果显示，PS与内镜下萎缩分级( Z = -2.478 , P = 0.013)也有相关性