基于人工智能的强大,可信和可解释的形前列腺癌分级

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 组织病理学图像分析分析.

背景情况:

• 前列腺癌 (PCa) 诊断依赖于专家组织病理学评估.
• 当前的人工智能分级工具在外部数据集上的性能降低,原因是样品准备 (染色,厚度,扫描仪) 的变化.
• 人工智能等级预测ISUP等级使人类注释错误延续.

研究的目的:

• 开发基于人工智能的前列腺癌分级框架 (PCAI),对数据变异具有稳定性,并根据患者结果进行培训.
• 为了提高AI模型的稳定性,可解释性和预测信心,用于临床应用.

主要方法:

• 开发PCAI,一个基于客观患者结果而不是主观ISUP等级的AI框架.
• 创建了一个多中心数据集 (25,591名患者,83,864张图像),包括高方差数据以优化稳定性.
• 在三个外部测试队列 (2,255名患者,9,437张图像) 上评估PCAI.

主要成果:

• 样品处理变化 (幻灯片厚度,染色时间) 将AI分级性能降低了高达6.2% (C指数).
• 算法改进 (例如,域对抗训练) 提高了PCAI的稳定性,可解释性和可信度.
• 在C指数和AUROC中,PCAI系统地超过了高达22个百分点的专家ISUP评级.

结论:

• 数据变化对基于人工智能的基因病理学PCa分级构成重大风险.
• 算法改进和基于结果的培训创造了强大的AI模型,具有卓越的PCa分级性能.