结肠直肠癌中的瘤-肌瘤比率 - - 人类估计与自动评估之间的比较

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 在瘤学中的机器学习

背景情况:

• 瘤-肌瘤比率 (TSR) 是各种癌症的重要预后因素.
• 准确和客观地确定TSR在临床实践中仍然是一个挑战.

研究的目的:

• 开发一种易于适应的深度学习模型,用于对结肠癌的H&E染色全片图像 (WSI) 中的瘤区域进行细分.
• 为了能够可靠地确定瘤-瘤比率,即使存在瘤或粘膜区域.
• 用最先进的U-Net方法和人类观察者估计来比较拟议中的几次射击模型的性能.

主要方法:

• 开发了一种几次射击的深度学习模型,将WSIs分为五个类别:瘤,筋膜,缩,粘液和背景.
• 该模型的准确性与U-Net模型和人类观察者TSR估计进行了比较.
• 通过多项调查,评估了评价者之间的可靠性和细分质量.

主要成果:

• 开发的深度学习模型实现了高准确度 (86.5%),与U-Net模型 (86.7%) 相比.
• 少数拍摄模型的适应性并没有显著地影响准确性.
• 与计算方法相比,人类观察者TSR估计显示出相当大的差异和较低的可靠性.

结论:

• 拟议的深度学习模型为结肠癌WSIs中的TSR确定提供了一个准确和可适应的解决方案.
• 计算方法提供比人类观察员更可靠的TSR估计,挑战当前的地面真相标准.
• 这种方法有可能在数字病理学和癌症预后中得到更广泛的应用.