临床级计算病理学和罕见癌症检测的基础模型

科学领域:

• 计算病理学计算病理学
• 医学中的人工智能.
• 数字病理学数字病理学

背景情况:

• 临床决策支持和精准医学依赖于分析组织病理图像.
• 在病理图像中建模各种模式对于AI应用至关重要.
• 现有的模型往往需要大量的标记训练数据.

研究的目的:

• 介绍Virchow,这是计算病理学的最大基础模型.
• 评估Virchow在生物标志物预测,细胞识别和泛癌检测方面的表现.
• 在有限的培训数据下证明基础模型的有效性.

主要方法:

• 开发了Virchow,这是计算病理学的大型基础模型.
• 评估生物标志物预测和细胞识别能力.
• 在常见和罕见癌症中评估泛癌检测性能,使用接收器操作特征曲线 (AUROC) 下的面积.

主要成果:

• 在16种癌症类型中实现了0.95标本级AUROC用于泛癌检测.
• 证明基于Virchow的模型的性能与使用较少数据的临床级模型相比较.
• 在一些罕见的癌症变体上,在特定组织模型上展示了优越的性能.

结论:

• 像Virchow这样的基础模型显著提升了计算病理学.
• 维尔乔可以实现高影响力的应用,包括癌症检测,数据要求降低.
• 该模型为精准医学和临床决策支持开辟了新的途径.