一个可解释的机器学习系统用于从病理学幻灯片进行结直肠癌诊断

科学领域:

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

背景情况:

• 病理学实践正在经历重大转型.
• 通过全幻灯片图像 (WSI) 准确诊断结肠直肠癌至关重要.
• 需要可扩展的AI解决方案来满足诊断需求.

研究的目的:

• 开发一种可扩展的人工智能 (AI) 系统,用于使用全幻灯片图像 (WSI) 诊断结直肠癌.
• 提高计算机病理学的诊断效率和准确性.

主要方法:

• 一个深度学习 (DL) 系统,使用弱标签和混合监督方案进行训练.
• 智能抽样策略将训练数据减少六倍,而不会造成性能损失.
• 利用一小部分完全注释的样本,并结合可解释的AI功能.

主要成果:

• 在~10,500个WSIs的内部数据集上实现了93.44%的准确性和0.996的灵敏性.
• 在外部数据集 (TCGA,PAIP) 上表现出可靠性,在TCGA上准确率为84.91%.
• 混合监督计划使得有效的智能抽样策略成为可能.

结论:

• 由WSI开发的AI系统为结直肠癌诊断提供了可扩展和准确的解决方案.
• 智能采样策略提高了培训效率,而不影响诊断性能.
• 人工智能系统显示了将其整合到临床病理学工作流程中的希望.