利用免疫光数据减少病理学家对肺瘤细分的注释要求,使用深度学习
Hatef Mehrabian1, Jens Brodbeck2, Peipei Lyu2
1Non-Clinical Safety and Pathobiology, Gilead Sciences, Foster City, CA, USA. hatef.mehrabian@gilead.com.
Scientific reports
|September 16, 2024
概括
预训练的瘤细分模型具有具有成本效益的泛细胞激素 (panCK) 注释显著减少了需要昂贵的病理学家注释在非小细胞肺癌 (NSCLC) 研究. 这种方法可以实现高精度,同时确保在各种H&E成像数据中实现模型通用性.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 医疗图像分析 医学图像分析
背景情况:
- 在非小细胞肺癌 (NSCLC) 组织学图像中,准确的瘤细分至关重要,但由于高质量的基本真相注释的稀缺性而受到阻碍.
- 从病理学家那里生成精确的注释是耗时和昂贵的,这对开发强大的细分算法构成了重大瓶.
研究的目的:
- 探索生成瘤标签的替代方法来训练细分模型.
- 为了确定在使用大量低成本,低准确度的泛细胞克拉丁 (panCK) 基注释数据集进行预培训时所需的病理学家注释的最小大小.
- 评估经过训练的模型在H&E染色和成像协议的变化中的可通用性.
主要方法:
- 一个注意力U-Net架构被用于瘤细分.
- 该模型最初在一大批基于panCK的注释 (10,326 mm2) 的数据集上进行了预训练.
- 随后,该模型使用较小,高精度的病理学家注释数据集 (246 mm2) 进行了微调.
- 模型性能与基础模型进行了比较,并对来自三个中心的112个样本的概括性进行了评估,这些样本具有不同的扫描器类型和协议.
主要成果:
- 经过微调后的panCK预训练实现了82% (95% CI: 7787%) 的平均交叉与联合 (mIoU).
- 这种方法使得病理学家注释的要求减少了70%,而不会影响细分性能.
- PanCK预训练的表现优于标准基础模型,在NSCLC瘤细分方面表现出卓越的表现.
结论:
- 在预培训中利用大型,具有成本效益的PanCK注释是一个可行的策略,以克服NSCLC细分中的注释瓶.
- 这种方法显著减少了对专家病理学家注释的依赖,加速了准确和可概括的细分工具的开发.
- 该研究证明了创建强大的细分模型的可行性,这些模型可以在各种H&E成像条件和患者队列中保持一致的性能.
