压力测试深度学习模型用于在活检和手术标本上检测前列腺癌
Brennan T Flannery1, Howard M Sandler2, Priti Lal3
1Case Western Reserve University, Cleveland, OH, USA.
The Journal of pathology
|December 11, 2024
概括
在前列腺癌活检上训练的机器学习模型在激进前列腺切除片上表现不佳,反之亦然. 样本类型之间的形态差异需要开发专门的,样本特定的深度学习模型,以准确检测癌症.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 机器学习在瘤学中
背景情况:
- 病理学家使用H&E染色的幻灯片评估前列腺癌.
- 机器学习 (ML) 和深度学习 (DL) 在病理幻灯片中显示出癌症检测的前景.
- 样本处理中的差异可能会改变组织形态,影响ML模型的概括性.
研究的目的:
- 为了研究前列腺活检和急性前列腺切除术幻灯片之间的形态差异对DL模型性能的影响.
- 为了确定在一个样本类型上训练的CNN模型是否在另一个样本类型上表现得有效.
主要方法:
- 在活检 (M^B) 和急性前列腺切除术 (M^R) 数据集以及组合数据集 (M^B+R) 上训练了DenseNet CNN模型.
- 在各自的样本类型上验证模型,并在替代样本类型上进行交叉验证.
- 通过NRG RTOG 0521临床试验的数字化幻灯片进行外部验证.
主要成果:
- 模型在自己的样品类型上实现了高性能 (F1 > 0.88),但在应用到替代类型时性能显著降低 (F1 < 0.65).
- 交叉验证显示样本类型的表现明显较差 (p < 0.05).
- 外部验证证实了这些发现,定性和定量分析显示了业绩缺陷 (p < 0.05).
结论:
- 活检和急性前列腺切除片之间的形态变化会对DL模型的性能产生不利影响.
- 在一个样本类型上训练的模型与另一个样本类型的独特形态特征进行斗争 (例如,开放 vs 关闭的腺体结构).
- 样本特定的ML模型对于在数字病理学中准确可靠地检测前列腺癌是必要的.
