一个弱监督的深度学习模型和人机融合用于精确分级细胞癌从组织病理学幻灯片

科学领域:

• 在瘤学瘤学.
• 数字病理学数字病理学
• 人工智能在医学中的应用

背景情况:

• 富尔曼分级 (FG) 系统对于清细胞细胞癌 (ccRCC) 管理至关重要,但受到观察者变化的影响.
• 数字化整个幻灯片图像 (WSIs) 提供了客观癌症分级的潜力.
• 深度学习模型可以分析复杂的图像数据以提供诊断辅助.

研究的目的:

• 开发和验证深度学习多类模型 (SSL-CLAM) 用于使用WSIs在ccRCC中诊断FG状态.
• 评估模型对病理学家的性能,并探索人机融合以改善诊断.

主要方法:

• 一个深度学习多类模型,SSL-CLAM,是使用504名ccRCC患者 (TCGA队列) 的708个WSI开发的.
• 对TCGA队列进行了内部验证,对外验证使用了188名ccRCC患者 (CPTAC队列) 的445个WSI.
• 使用人机融合方法来评估该模型对病理学家的附加值.

主要成果:

• SSL-CLAM模型在诊断五种FG状态时实现了高AUC (0.917内部,0.887外部),超过了初级病理学家.
• 该模型在正常/瘤分类方面表现近乎完美,在双层FG分类方面表现强 (AUC>0.915).
• 人机融合显著改善了诊断性能,注意力图显示了FG状态和细胞形态之间的相关性.

结论:

• 像SSL-CLAM这样的深度学习模型对于ccRCC WSIs中的FG分类是可行的.
• 人机融合方法对提高ccRCC分级的诊断准确性和一致性显示出希望.
• SSL-CLAM模型可以帮助病理学家为ccRCC患者做出更可靠的诊断决策.