弱监督深度学习模型的多中心组织病理学数据集之间的性能比较,用于胰腺管道腺癌检测
Francisco Carrillo-Perez1, Francisco M Ortuno2,3, Alejandro Börjesson2
1Department of Computer Engineering, Automation and Robotics, University of Granada, Granada, Spain. franciscocp@ugr.es.
概括
整合多样化的数据集可以改进用于胰腺管道癌 (PDAC) 检测的人工智能模型. 在多个数据源上的训练模型提高了它们在不同数据集中准确诊断PDAC的能力,克服了单一来源训练的局限性.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 数字诊断数字诊断的使用.
背景情况:
- 胰腺管道癌 (PDAC) 由于检测迟到和微妙的症状,预后不好.
- 数字病理学有助于诊断,但手动审查是耗时的.
- 人工智能和深度学习为自动诊断支持系统提供了潜力.
研究的目的:
- 评估PDAC检测的弱监督深度学习模型的概括能力.
- 评估整合公共组织学数据集 (TCGA,CPTAC,GTEx) 对模型性能的影响.
- 解决临床决策支持数据集集成和批量效应方面的挑战.
主要方法:
- 通过使用TCGA和CPTAC组织学数据集,探索了两种弱监督的深度学习模型.
- 集成TCGA与GTEx (健康的胰腺) 进行增强训练数据.
- 在独立数据集上评估模型性能,包括组织微阵列.
主要成果:
- 在CPTAC数据集上训练的模型显示出更好的概括 (90.62%的TCGA+GTEx准确度).
- 从集成数据集中学习的特征区分来源,而不是类别,表明需要规范化.
- 与单独使用TCGA+GTEx相比,对所有三个数据集的训练都提高了性能和概括性.
结论:
- 将数据集与健康和癌症样本相结合,可以减轻批量效应.
- 这种方法提高了分类性能,并在各种数据集中实现了准确的PDAC检测.
- 多数据集培训对于强大的AI驱动的病理学临床决策支持至关重要.
