説明可能な精密腫瘍学のための計算イメージング：膀胱がん組織病理診断のための解釈可能な深層学習フレームワーク

科学分野:

• * 計算病理学
• * 腫瘍学における人工知能
• * 医療画像解析

背景:

• * 膀胱がんは世界的な健康問題であり、再発率が高いです。
• * 現在の診断方法は侵襲的で時間がかかり、主観的です。
• * 正確で効率的、かつ客観的な診断ツールの必要性が存在します。

研究 の 目的:

• * 膀胱がん検出のための透明な深層学習モデルを開発および評価すること。
• * 組織病理スライド分析の精度と効率を向上させること。
• * AI駆動型の診断予測に視覚的なサポートを提供すること。

主な方法:

• * YOLOv11深層学習アーキテクチャの5つのバリアント（ナノ、スモール、ミディアム、ラージ、エクストララージ）のトレーニングとテスト。
• * 炎症、尿路上皮癌（UCC）、および無効な組織に分類されたヘマトキシリンおよびエオジン染色組織病理スライドのデータセットを利用。
• * 精度、適合率、再現率、AUPRC、ROC-AUC、リスクカバレッジ分析、および期待キャリブレーション誤差（ECE）を含むパフォーマンスメトリックの使用。

主要な成果:

• * YOLOv11-largeモデルは、精度97.09％、適合率95.47％、再現率95.47％で最高のパフォーマンスを達成しました。
• * AUPRC、ROC-AUC、およびリスクカバレッジ分析を用いた詳細な評価により、モデルの安定性と信頼性が確認されました。
• * モデルは優れたキャリブレーション（低いECE）を示し、炎症と無効なサンプルの間の潜在的な形態学的重複を特定しました。

結論:

• * YOLOv11-largeモデルは、AI支援膀胱がん診断において重要な進歩を表しています。
• * モデルの透明な性質は視覚的なサポートを提供し、信頼性と解釈可能性を高めます。
• * この計算効率が高くスケーラブルなAIシステムは、実用的な臨床応用に近づいています。