为了持久而建造? 深度学习算法在计算病理学中的可重复性和可重复使用性
Sophia J Wagner1, Christian Matek2, Sayedali Shetab Boushehri3
1Helmholtz AI, Helmholtz Munich-German Research Center for Environmental Health, Neuherberg, Germany; School of Computation, Information and Technology, Technical University of Munich, Garching, Germany.
概括
在计算病理学中的深度学习面临着可重现性挑战. 由于代码质量和通用性差,很少有算法被重复使用,这阻碍了临床应用.
科学领域:
- 计算病理学计算病理学
- 深度学习是一种深度学习.
- 医疗信息学医学信息学
背景情况:
- 深度学习已经推进了计算病理学,但算法的可重复性和可重复使用性仍然是重大挑战.
- 确保模型的稳定性,通用性和易于集成对于广泛采用至关重要.
研究的目的:
- 评估当前计算病理学算法的可重复性和可重复使用性的状态.
- 评估同行评审的出版物对代码和数据可用性,统计分析和模型通用性的评估.
主要方法:
- 2019年1月至2021年3月期间发表的160篇PubMed索引的计算病理学文章的系统审查.
- 评估了5个用例:斑点正常化,组织细分,细胞水平特征评估,基因变异预测和临床结果推断.
- 定义了数据/代码可用性,统计分析和独立队列评估的标准.
主要成果:
- 只有25.6% (41/160) 的出版物提供了公开可用的代码.
- 在使用代码的研究中,73% (30/41) 进行了统计分析,49% (20/41) 发布了模型权重,39% (16/41) 使用独立队列进行验证.
结论:
- 在计算病理学算法的可复制性和可重复使用性方面存在重大差距.
- 提高代码质量,文档和验证实践对于临床翻译至关重要.
- 该审查为研究人员和病理学家提供了一个资源,以确定可重复使用的工具和可靠研究的标准.
