使用免疫组织化学和常规组织学评估基于深度学习的黑色素瘤分类:一项三中心研究

科学领域:

• 计算病理学计算病理学
• 数字诊断数字诊断的使用.
• 生物医学成像分析分析

背景情况:

• 病理学家利用血素和乙素 (H&E) 和MelanA免疫组织化学 (IHC) 染料进行准确的黑色素瘤诊断.
• 深度学习 (DL) 系统在分析H&E幻灯片方面表现出色,但在IHC分析方面不太被探索.
• 需要在IHC幻灯片上评估DL性能,以提供诊断支持.

研究的目的:

• 评估在MelanA IHC幻灯片上训练的DL模型的诊断性能.
• 将MelanA IHC DL模型的性能与基于H&E的DL基准进行比较.
• 为了研究使用MelanA IHC和H&E染料的DL模型的综合性能.

主要方法:

• 在MelanA IHC染色和H&E染色组织幻灯片上训练ResNet模型.
• 单个MelanA和H&E分类器的性能被评估在分布外 (OOD) 数据集上.
• 开发并测试了一种结合MelanA和H&E数据的综合分类器.

主要成果:

• 梅兰A DL分类器在接收器运行特征曲线 (AUROC) 下获得了0.82 (OOD) 的面积,与H&E基准值 (AUROC 0.81) 相当.
• 在OOD数据集中,H&E基准分类器实现了0.75的AUROC,而MelanA分类器实现了0.74.
• 结合的MelanA和H&E分类器在OOD数据集上的AUROC为0.85和0.81的性能有所改善.

结论:

• 基于DL的辅助系统使用MelanA IHC幻灯片,提供类似于传统H&E分类的诊断性能.
• 多斑点DL分类,结合MelanA IHC和H&E,提高了诊断的准确性.
• 这些发现表明,有可能改进DL工具,以帮助病理学家在常规黑色素瘤诊断中.