病理組織画像におけるグレードグループ予測のための不確実性正則化を伴うデュアル選択的グリーソンパターン認識マルチインスタンス学習

科学分野:

• デジタル病理学
• 計算腫瘍学
• 医療における機械学習

背景:

• 正確なグリーソングレードグループ（GG）予測は、前立腺がんの管理にとって非常に重要です。
• グリーソングレーディングのための既存の多重インスタンス学習（MIL）手法は、異なるグリーソンパターンの複合的な影響をしばしば無視しており、精度と解釈可能性に影響を与えています。

研究 の 目的:

• 不確実性駆動型のデュアル選択的グリーソンパターン認識MILモデル（DSPA-U-MIL）を開発し、患者レベルのGG予測を改善することを目的としました。
• グリーソンパターンのドメイン知識を組み込むことにより、グリーソングレーディングの精度と解釈可能性を向上させることを目的としました。

主な方法:

• 学習可能なパターン集約トークンと専門家概念主導のパッチレベル集約を統合したDSPA-U-MILモデルを提案しました。
• グリーソンパターン全体での協調的予測のための教師あり学習知識蒸留フレームワークを採用しました。
• ノイズの多いラベルに対する堅牢性を向上させるために、不確実性制約を導入しました。

主要な成果:

• DSPA-U-MILは、5つのデータセット（10,809 WSI、1133 TMA）全体で既存のMIL手法と比較して優れたパフォーマンスを示しました。
• CLAMベースラインと比較して、特にTCGA-PRADデータセットで、二次加重カッパ（QWK）スコアで最大6.7％の改善を達成しました。
• 学生モデルのゲーティング重み分布は、病理医の注釈と一致し、解釈可能性を確認しました。

結論:

• DSPA-U-MILは、自動グリーソンGG予測において大きな進歩をもたらし、予測精度と臨床的解釈可能性の両方を向上させます。
• グリーソンパターンのドメイン知識を活用し、ラベルノイズを処理するモデルの能力は、前立腺がんのリスク層別化のための貴重なツールとなります。