利用深度神经网络检测前列腺穿刺活检中的神经周围侵犯

背景：研究表明，前列腺活检中癌的神经周围侵犯（PNI）的检出与不良预后相关。然而，PNI 的评估和定量是一项耗费人力的工作。在本研究中，我们旨在开发一种基于深度神经网络的算法以辅助病理学家完成此任务。方法：我们收集了 2012 年至 2014 年间在前瞻性诊断 STHLM3 试验中接受活检的 7,406 名男性的约 80,000 个活检芯组织，并对每个芯组织中的 PNI 发现进行了数字化和像素级标注。总计有 485 个活检芯组织显示 PNI。我们还对超过 10%（n=8,318）的 PNI 阴性活检芯组织进行了数字化。随机选取 80% 男性的数字化活检用于构建深度神经网络，剩余 20% 用于评估算法性能。结果：基于独立测试集中的 106 个 PNI 阳性芯组织和 1,652 个 PNI 阴性芯组织，该网络在检测前列腺活检芯组织中的 PNI 时，估计的受试者工作特征曲线下面积为 0.98（95% CI 0.97-0.99）。在预设工作点处，这对应于 0.87 的灵敏度和 0.97 的特异度。相应的阳性和阴性预测值分别为 0.67 和 0.99。对于定位切片内 PNI 的区域，我们估计平均交并比为 0.50（CI: 0.46-0.55）。结论：我们开发了一种基于深度神经网络的算法，用于检测前列腺活检中的 PNI，具有明显可接受的诊断性能。这些算法有望通过大幅减少需要评估 PNI 的活检芯组织数量并突出具有诊断价值的区域，从而辅助病理学家的日常工作。