肿瘤边缘的淋巴浸润评估
内容提要
本研究提出LymphoML，一种可解释的机器学习方法，用于精确分类淋巴瘤亚型。通过分析H&E染色组织特征，LymphoML在670个病例中实现了与病理学家相当的诊断准确性，特别是在区分DLBCL和霍奇金淋巴瘤方面，核形状特征表现出较强的鉴别能力。此外，结合H&E特征与免疫染色特征的模型也显示出高准确性。
延伸解读
可解释性在病理AI中的价值
LymphoML 采用 SHAP 分析量化每个特征对预测的贡献，使模型决策过程透明。这不仅有助于病理学家理解模型依据，还能验证其与已知病理特征的关联，如核形状对 DLBCL 和霍奇金淋巴瘤的鉴别力。可解释性提升了临床信任度，为 AI 辅助诊断的落地提供了重要基础。
有限组织下的性能表现
研究显示，LymphoML 仅使用 H&E 染色组织微阵列核心，就达到了与病理学家使用全层切片图像相当的诊断准确性。这意味着在组织样本有限的情况下，AI 仍能提供可靠诊断，有望减少对大量组织的需求，加速诊断流程，尤其适用于资源有限或活检样本量少的场景。
免疫染色特征的高效整合
将 H&E 特征与 6 种标准化免疫染色特征结合，模型准确率达 85.3%，与使用 46 种免疫染色特征的模型（86.1%）相近。这表明少量关键免疫染色即可提供大部分诊断信息，有望降低检测成本和时间，优化资源分配，为临床提供更高效的辅助诊断方案。
Q&A
LymphoML是什么？
LymphoML是一种可解释的机器学习方法，用于精确分类淋巴瘤亚型。
LymphoML的诊断准确性如何？
LymphoML在670个病例中实现了与病理学家相当的诊断准确性。
在区分DLBCL和霍奇金淋巴瘤方面，LymphoML的表现如何？
LymphoML在区分DLBCL和霍奇金淋巴瘤方面，DLBCL的F1得分为78.7%，霍奇金淋巴瘤为74.5%。
结合H&E特征与免疫染色特征的模型准确性如何？
结合H&E特征与标准化的6种免疫染色特征的模型显示出85.3%的诊断准确性。
LymphoML是如何进行特征分析的？
LymphoML通过分析H&E染色组织特征，处理细胞核和细胞，计算形态学、纹理和结构特征。
LymphoML与传统深度学习方法相比有什么优势？
LymphoML在有限量的H&E染色组织上达到了与病理学家相当的准确性，胜过黑匣子深度学习。
