Desde la histología hasta el diagnóstico: Modelos de base de patología de apalancamiento para la clasificación del...

Área de la Ciencia:

• Patología computacional
• Patología digital
• Inteligencia artificial en oncología

Sus antecedentes:

• La clasificación de la OMS de los tumores cerebrales se basa cada vez más en las pruebas genéticas para el diagnóstico del glioma.
• Los modelos de fundación de patología computacional (FMs) ofrecen un método potencial para inferir características moleculares de imágenes histológicas teñidas con H&E, lo que potencialmente reduce la necesidad de análisis genético.

Objetivo del estudio:

• Evaluar la eficacia de cinco modelos de base en la generación de incrustaciones para la clasificación posterior del glioma.
• Evaluar el rendimiento y las capacidades de generalización de estos modelos de base en diversos conjuntos de datos.

Principales métodos:

• Se utilizaron tres conjuntos de datos de gliomas distintos (TCGA, EBRAINS, TUM) que incluían 839, 786 y 250 muestras, respectivamente.
• Utilizó técnicas de aumento de datos de última generación para entrenar y evaluar modelos de base.
• Investigó el impacto de la diversidad de conjuntos de datos, el contenido de tejidos, el tamaño del modelo y el tamaño del conjunto de datos en el rendimiento y la generalización del modelo.

Principales resultados:

• Los modelos de implantación de la fundación lograron un rendimiento competitivo en la clasificación del glioma (AUC de uno contra el resto > 0,93), incluso con datos de entrenamiento limitados.
• Se observaron variaciones significativas en el rendimiento posterior, la robustez a las perturbaciones y la consistencia entre conjuntos de datos entre los modelos de base evaluados.
• La diversidad de conjuntos de datos y el contenido de tejidos del sistema nervioso central se correlacionaron positivamente con una mejor generalización, mientras que el tamaño del modelo y el conjunto de datos no mostraron un impacto significativo.
• Los modelos de la fundación tendían a capturar características específicas del conjunto de datos, y el ensamblaje de incorporaciones sobre vistas aumentadas mejoró el rendimiento del clasificador posterior.

Conclusiones:

• Los modelos de la fundación de la patología computacional tienen una promesa significativa para la clasificación del glioma, ofreciendo una alternativa potencial a las pruebas genéticas extensas.
• El rendimiento y la generalización de los modelos de base están influenciados críticamente por la composición de los datos de entrenamiento y el uso estratégico de las técnicas de aumento posteriores.
• Abordar los sesgos específicos de los conjuntos de datos y aprovechar los métodos de conjunto son cruciales para maximizar la utilidad de los modelos de base en patología digital para el diagnóstico de tumores cerebrales.