可解释的深度学习模型用于预测早期胃癌中的淋巴结转移,使用整个幻灯片图像

科学领域:

• 数字病理学数字病理学
• 机器学习在瘤学中
• 胃肠道病理 胃肠道病理

背景情况:

• 早期胃癌 (EGC) 中的淋巴结转移 (LNM) 对治疗决策至关重要.
• 目前用于识别需要额外手术的EGC患者的标准不足,导致过度治疗.
• 组织病理学模式显著影响胃癌中的LNM预测.

研究的目的:

• 开发和验证一种机器学习算法,用于使用H&E染色基因病理图像预测EGC中的LNM状态.
• 通过准确识别高风险病例,改善患者进行外科手术的选择.
• 建立一个多机构的方法,在癌症诊断中开发强大的AI模型.

主要方法:

• 采用了两阶段的机器学习管道,包括一个细分网络 (DeepLabV3+) 用于组织学亚型差异化和利用形态特征的风险分类器 (XGBoost).
• 分段网络在多个数据集的243个整片图像 (WSI) 上进行了训练.
• 风险分类器通过训练的细分网络提取的70个形态特征进行了训练.

主要成果:

• 分段网络实现了高性能,在补丁级别的像素精度为0.9348 (内部) 和0.8939 (外部).
• 风险分类器显示总体AUC为0.75,用于预测LNM状态.
• 一个数据集的AUC值为0.92,这表明它具有很强的预测能力.

结论:

• 本研究介绍了第一个多机构机器学习算法,用于从H&E图像中预测EGC中的LNM.
• 开发的AI工具显示了增强高风险组织学特征的EGC患者手术决策的潜力.
• 准确的LNM预测可以优化治疗策略,并减少EGC中不必要的手术的发生率.