用弱监督的机器学习来评估骨髓瘤患者的亡:一项试点研究
Christa L LiBrizzi1, Zhenzhen Wang2, Jeremias Sulam2
1Department of Orthopaedic Surgery, Division of Orthopaedic Oncology, The Johns Hopkins University School of Medicine, Baltimore, Maryland, USA.
概括
一个新的机器学习模型准确地计算了骨髓瘤瘤的死亡率,与病理学家的表现相匹配. 这种人工智能工具可以提高这种骨癌的预后准确性.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 百分比亡 (PN) 是骨髓瘤生存的关键预后因素.
- 目前使用全幻灯片图像 (WSIs) 的病理学家对PN的估计是劳动密集型和可变的.
- 需要标准化,准确的PN评估方法.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于计算骨髓瘤中的PN.
- 为了达到与肌肉骨病理学家可比的准确性.
- 为了自动化PN估计的劳动密集型过程.
主要方法:
- 从两个骨髓瘤患者的6个WSIs的回顾性分析.
- 训练一个弱监督的ML模型,使用瘤和非瘤组织的不完整注释.
- 将ML模型的PN估计与病理学家使用Pearson的相关性和MAE的估计进行比较.
主要成果:
- ML模型实现了平均绝对误差 (MAE) 的15% (不包括异常值的6.4%).
- 模型和病理学家PN估计显示出强烈的正相关性 (r=0.85).
- 该模型成功地细分了可行的瘤,死瘤和非瘤组织.
结论:
- 一个弱监督的ML模型可以准确计算骨髓瘤中的PN.
- 开发的模型表现出与专家病理学家相似的性能.
- 预计随着对组织学异质性的加强注释,会有进一步的改善.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:31A Syngeneic Orthotopic Osteosarcoma Sprague Dawley Rat Model with Amputation to Control Metastasis Rate
Published on: May 3, 2021
3.7K
