转移学习与预训练的卷积神经网络用于前列腺癌组织微阵列的自动格莱森分级

科学领域:

• 在瘤学瘤学.
• 数字病理学数字病理学
• 人工智能在医学中的应用

背景情况:

• 格里森分级系统对于预测前列腺癌的攻击性和指导治疗决策至关重要.
• 目前的格里森分级依赖于专家病理学家,这是耗时的,主观的,容易变化的.
• 自动化格里森分级可以提高前列腺癌评估的效率,客观性和可重现性.

研究的目的:

• 开发和评估使用转移学习和CNN进行前列腺癌格里森分级的自动化方法.
• 为了比较各种预训练CNN架构对此任务的性能.
• 为手动格里森分级提供一个客观和可重复的替代方案.

主要方法:

• 在前列腺癌组织微阵列 (TMA) 图像的数据集上微调十五个预训练的卷积神经网络 (CNN) 架构.
• 使用六位病理学家的像素智能注释,以多数投票来建立统一的培训和验证标签.
• 在244名患者的TMA图像上评估CNN模型的性能.

主要成果:

• 在评估的模型中,NasNetLarge架构表现出卓越的性能.
• 在分类前列腺TMA图像时,NasNetLarge实现了0.93的精度和0.98的曲线下面积 (AUC).
• 结果表明基于CNN的自动化前列腺癌分级的潜力.

结论:

• 拟议的自动化方法有效地分类前列腺癌的阶段.
• 与传统的病理学家为基础的分级相比,基于CNN的方法提供了更客观和可重复的结果.
• 这项技术有可能帮助病理学家,提高前列腺癌评估的准确性.