Applications of artificial intelligence in the analysis of histopathology images of gliomas: a review

要約

近年、神経膠腫の診断はますます複雑になっている。人工知能（AI）を用いた神経膠腫病理組織画像の解析は、診断と転帰予測を支援する新たな機会を提供する。研究の現状を概観するために、本総説では、ヒト神経膠腫の全スライド病理組織画像に対してAIベースの方法を提案した、サブタイプ分類（16/70）、悪性度分類（23/70）、分子マーカー予測（13/70）、および生存予測（27/70）の診断タスクを網羅する、公開されている70の研究結果を検証する。すべての研究は、方法論的側面だけでなく、臨床応用可能性に関してレビューされた。現在の研究の焦点は、成人型びまん性グリオーマのヘマトキシリン・エオジン染色組織切片の評価であることが明らかにされた。研究の大部分（49/70）は、The Cancer Genome Atlas（TCGA）から公開されている膠芽腫および低悪性度神経膠腫のデータセットに基づいており、他のデータセットを単独で用いた研究（10/70）またはTCGAデータセットに加えて用いた研究（11/70）はわずかであった。現在のアプローチでは、20倍の倍率で組織を解析するための畳み込みニューラルネットワーク（53/70）に依存している（30/70）。新しい研究分野は、臨床データ、オミックスデータ、あるいは磁気共鳴画像（MRI）の統合である（27/70）。これまでのところ、AIに基づく手法は有望な結果を得ているが、実際の臨床現場ではまだ使用されていない。将来的には、日常的な適用可能性を実証するために、高品質で最新の臨床データおよび分子病理学的アノテーションを持つ、より大規模な多施設データセットでの手法の独立した検証に焦点を当てるべきである。

要約(オリジナル)

In recent years, the diagnosis of gliomas has become increasingly complex. Analysis of glioma histopathology images using artificial intelligence (AI) offers new opportunities to support diagnosis and outcome prediction. To give an overview of the current state of research, this review examines 70 publicly available research studies that have proposed AI-based methods for whole-slide histopathology images of human gliomas, covering the diagnostic tasks of subtyping (16/70), grading (23/70), molecular marker prediction (13/70), and survival prediction (27/70). All studies were reviewed with regard to methodological aspects as well as clinical applicability. It was found that the focus of current research is the assessment of hematoxylin and eosin-stained tissue sections of adult-type diffuse gliomas. The majority of studies (49/70) are based on the publicly available glioblastoma and low-grade glioma datasets from The Cancer Genome Atlas (TCGA) and only a few studies employed other datasets in isolation (10/70) or in addition to the TCGA datasets (11/70). Current approaches mostly rely on convolutional neural networks (53/70) for analyzing tissue at 20x magnification (30/70). A new field of research is the integration of clinical data, omics data, or magnetic resonance imaging (27/70). So far, AI-based methods have achieved promising results, but are not yet used in real clinical settings. Future work should focus on the independent validation of methods on larger, multi-site datasets with high-quality and up-to-date clinical and molecular pathology annotations to demonstrate routine applicability.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL