组织污染挑战了机器学习模型在现实世界数字病理学中的可信性

科学领域:

• 数字病理学数字病理学
• 人工智能在医学中的应用
• 计算病理学计算病理学

背景情况:

• 机器学习 (ML) 模型在外科病理学中越来越多地用于诸如组织分析和诊断等任务.
• 成功的ML模型通常使用注意力机制来关注整个幻灯片图像中的诊断相关区域.
• 组织污染物,如漂浮物,是意想不到的元素,可以挑战人类病理学家,并可能影响ML模型的性能.

研究的目的:

• 研究组织污染物对全幻灯片机器学习模型性能的影响.
• 量化暴露于各种污染物的模型准确性和诊断能力的退化.
• 分析ML模型的注意力机制,当它们与污染组织相遇时.

主要方法:

• 训练了四个全幻灯片ML模型:三个用于胎盘分析 (决定性动脉病变检测,妊娠年龄估计,宏观病变分类) 和一个用于在针活检中检测前列腺癌.
• 实验涉及数字添加污染组织 (如前列腺,膀,血液) 的斑块,以不同的比例在已知的患者幻灯片.
• 用准确度指标测量模型性能,并在t分布式随机邻居嵌入特征空间中分析污染物的注意力.

主要成果:

• 所有测试的ML模型都表现出由于组织污染物的性能下降.
• 在1%的前列腺组织污染物下,决定性动脉病变检测准确度从0.74降至0.69.
• 怀孕年龄估计误差随着膀组织污染物显著增加,血液污染导致了假阴性诊断.
• 前列腺癌检测模型显示,当被膀组织污染时,假阳性率为97%,污染物受到高度关注.

结论:

• 组织污染物在病理学中使用的现代机器学习模型中显著诱导错误.
• ML模型对污染物的高度关注表明未能正确编码生物背景.
• 在数字病理学ML应用中,有必要开发量化和减轻组织污染物的有害影响的方法.