子宮平滑筋肉腫の診断のための弱教師あり学習に基づく解釈可能なモデル：多施設共同研究

科学分野:

• 婦人科病理学
• 計算病理学
• 医療における人工知能

背景:

• 子宮平滑筋肉腫（USMT）は、良性の平滑筋肉腫（LM）、悪性の子宮平滑筋肉腫（LMS）、および悪性可能性が不明な平滑筋肉腫（STUMP）の形態学的重複により、診断上の課題があります。
• 適切な患者管理のためには正確な鑑別が重要ですが、組織学的評価は複雑で時間がかかる場合があります。

研究 の 目的:

• 全体スライド画像（WSI）レベルのラベルのみを使用して、USMTを良性または悪性に分類するための弱教師あり人工知能（AI）モデルを開発および検証すること。
• モデルの診断性能と解釈可能性を評価し、病理学的タスクのためのAIと人間の協力におけるその有用性を評価すること。

主な方法:

• トレーニングおよび内部テストのために、94件のLMSおよび634件の良性USMT症例（合計1797枚のWSI）からなる多施設共同データセットが使用されました。
• 検証のために、27件のLMSおよび90件の良性USMT症例（合計302枚のWSI）からなる独立した外部テストセットが利用されました。
• CAMEL2ベースの弱教師あり学習モデルが開発され、その診断性能は曲線下面積（AUC）および精度メトリックを使用して評価されました。解釈可能性はヒートマップによって評価され、AIと人間の協力研究が実施されました。

主要な成果:

• AIモデルは、AUC 0.9976（内部）および0.9889（外部）で優れた診断性能を達成し、精度は0.97を超えました。
• 解釈可能性ヒートマップは、悪性症例におけるLMSの主要な病理学的特徴と、STUMP症例における疑わしい領域を強調し、病理医の注釈と一致しました。
• AIと人間の協力において、モデルの支援は診断精度の向上と診断時間の短縮につながりました。

結論:

• 本研究は、USMT診断のための最初の弱教師ありAIモデルを提示し、最小限の注釈で高い精度と解釈可能性を示しています。
• AIモデルは、病理医の意思決定支援ツールとして大きな可能性を示しており、婦人科病理学における診断効率と精度を向上させます。
• 弱教師あり学習は、広範なデータ注釈要件の制限を克服し、病理学におけるAIツールの開発のための有望なアプローチを提供します。