在全幻灯片组织病理学中检测和分类基底细胞癌,使用弱监督学习
Daan J Geijs1, Stephan Dooper1, Witali Aswolinskiy1
1Department of Pathology, Research Institute for Medical Innovation, Radboud University Medical Center, Nijmegen, The Netherlands.
Medical image analysis
|January 9, 2024
概括
这项研究介绍了StreamingCLAM,这是一种用于检测基底细胞癌 (BCC) 和组织病理学图像中的风险分层的AI模型. 流媒体CLAM的性能优于传统的CLAM,为皮肤病理学家在诊断这种常见的皮肤癌方面提供了更高的效率.
科学领域:
- 计算病理学计算病理学
- 皮肤病学中的人工智能
- 机器学习用于癌症诊断和癌症诊断
背景情况:
- 基底细胞癌 (BCC) 是最常见的皮肤癌,全球发病率上升使皮肤病理学资源受到压力.
- 当前的诊断工作流需要大量的手动注释,这对人工智能开发构成了瓶.
- 弱监督学习提供了一个潜在的解决方案,以减少AI模型培训中的注释负担.
研究的目的:
- 开发和评估一个弱监督的AI模型,用于基底细胞癌 (BCC) 识别和风险分层.
- 为了比较聚类受约束注意力多实例学习 (CLAM) 的性能与一种新的 StreamingCLAM 方法.
- 评估模型在全病理学全幻灯片图像 (WSI) 上的有效性.
主要方法:
- 开发和训练CLAM和StreamingCLAM模型使用弱监督学习在5147组织病理学WSI.
- 利用自动从自由文本病理学报告中提取的标签.
- 在内部 (949张图像) 和外部 (183张图像) 数据集上验证和测试模型,包括公开测试集.
主要成果:
- 无论是CLAM还是StreamingCLAM,在BCC检测 (AUC高达0.997) 和风险分层 (AUC高达0.931) 上都表现出很高的表现.
- 在所有指标上, StreamingCLAM 的表现始终优于 CLAM,特别是在公共测试组 (AUC 0.958 与 0.803) 上.
- 模型的表现与专家皮肤病理学家的表现相当.
结论:
- StreamingCLAM是一种强大而适应性的弱监督学习方法,用于WSI中的BCC识别和风险分层.
- 这种AI工具可以显著提高诊断效率,减轻皮肤病理学家的压力.
- 科巴数据集为进一步研究计算病理学提供了宝贵的资源.
