一个多中心的性能评估,以使用整个幻灯片图像进行质瘤的自动基因病理学分类和分级

科学领域:

• 数字病理学数字病理学
• 人工智能在瘤学中的应用
• 计算生物学是一种计算生物学.

背景情况:

• 准确的质瘤分类和分级对于患者的治疗和诊断至关重要.
• 深度学习 (DL) 提供了自动化组织病理学的潜力.
• 现有的方法在不同的医疗中心可能面临普遍性挑战.

研究的目的:

• 开发和验证深度学习模型,用于常见质瘤的自动病理分类.
• 用多中心,整个幻灯片图像数据来评估模型的性能和通用性.
• 为AI在质瘤诊断中的临床整合奠定坚实的基础.

主要方法:

• 来自四个医疗中心的733张全幻灯片图像 (WSI) 的数据集被策划.
• 在培训中使用了带有"补丁提示"的分任务引导多实例学习 (MIL) 管道.
• 该模型在456个WSIs上进行了训练,在150个WSIs上进行了内部验证,并在多个中心的127个WSIs上进行了测试.

主要成果:

• 该模型在内部验证数据集上实现了0.79的整体准确性.
• 多中心测试数据集的性能总准确率为0.73.
• 在多中心数据中观察到小,可接受的性能下降,这表明了良好的概括性.

结论:

• 开发的深度学习模型证明了在不同医疗中心对质瘤分类的强烈概括性.
• 在MIL管道中的"补丁提示"技术可以实现高效的模型融合.
• 这些发现支持这种人工智能方法在神经病理学未来临床应用中的潜力.