深度学习方法应用于前列腺癌的数字病理学:系统性审查
Noémie Rabilloud1, Pierre Allaume2, Oscar Acosta1
1Impact TEAM, Laboratoire Traitement du Signal et de l'Image (LTSI) INSERM, Rennes University, 35033 Rennes, France.
Diagnostics (Basel, Switzerland)
|August 26, 2023
概括
深度学习 (DL) 或人工智能 (AI) 在前列腺癌 (PCa) 检测和分级的数字病理学方面表现强. 虽然有效,但研究往往缺乏外部验证,突出了人工智能应用中需要改进的领域.
科学领域:
- 数字病理学数字病理学
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 数字病理学可以使用人工智能 (AI),特别是深度学习 (DL),来分析数字化幻灯片.
- 前列腺癌 (PCa) 是一个关键的领域,在病理学中正在探索DL应用.
研究的目的:
- 在数字病理学中系统地审查DL应用程序及其在PCa中的表现.
- 评估PCa现有DL研究的质量和发现PCa现有DL研究中的偏差.
主要方法:
- 在PubMed和Embase数据库的系统文献搜索.
- 使用适应的 QUADAS-2 工具进行偏差风险 (RoB) 评估.
- 将研究分类为预处理,诊断和预测任务.
主要成果:
- 在77项研究中,8项专注于预处理,53项专注于诊断 (癌症检测,格里森分级),15项专注于预测 (复发,基因组学).
- 在癌症检测方面,DL实现了高性能,曲线下的面积 (AUC) 高达0.99,一些算法接近常规使用.
- 发现的常见偏见包括许多研究中缺乏外部验证.
结论:
- DL是数字病理学中PCa分析的强大工具,特别是用于癌症检测.
- 虽然DL显示出有希望的结果,但解决诸如需要外部验证之类的偏见对于临床翻译至关重要.
- 进一步的研究应该集中在强大的验证上,以确保DL算法的可靠性在常规PCa诊断和预测中.
