弱监督的深度学习图像分析可以区分黑色素瘤与naevi在血素和素染色的组织病理学幻灯片上
Nigel G Maher1,2,3, Homay Danaei Mehr4, Cong Cong4
1Melanoma Institute Australia, The University of Sydney, Sydney, New South Wales, Australia.
概括
弱监督的深度学习 (DL) 在H&E幻灯片上准确地区分了黑色素瘤和naevi. 这种方法利用大型数据集,提高了黑色素细胞瘤的诊断准确性.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
背景情况:
- 准确地对黑色细胞病理进行分类,需要大量的数据集来实现可靠的深度学习 (DL) 诊断模型.
- 与完全监督的补丁注释方法相比,弱监督的DL方法允许使用更大的训练数据集.
研究的目的:
- 评估弱监督的DL图像分类器在区分黑色素瘤与naevi.的有效性.
- 评估DL模型在血素和素 (H&E) 染色的病理学幻灯片上的性能.
主要方法:
- 数字化了520个H&E幻灯片 (260个naevi,260个黑色素瘤),记录了临床病理特征.
- 应用全片或全组织切片标签,由专家病理学家达成共识,确定基本真相.
- 评估多实例学习模型 (Trans-MIL,CLAM,DTFD-MIL) 在各种放大度使用交叉验证来预测黑色素瘤与naevus.
主要成果:
- 模型Trans-MIL和CLAM在20倍放大时实现了高平均AUC值 (分别为0.9952和0.9925).
- 模型的性能随着放大而变化,热图表明关注相关的病理区域.
- 临床病理学数据显示,naevi和黑色素瘤病例之间的年龄和性别分布存在差异.
结论:
- 弱监督的DL显示出高的诊断准确性来区分黑色素瘤从naevi在常见的粘膜皮肤黑色素细胞瘤幻灯片.
- 对于这种DL方法,建议对较少常见的亚型和边界病例进行进一步的外部验证和评估.
