低监督的基于深度学习的质瘤组织病理学分类:一个单一的中心体验

科学领域:

• 神经病理学神经病理学
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 准确和及时的瘤组织病理学诊断至关重要.
• 人工智能 (AI) 系统越来越多地用于瘤诊断.
• 弱监督的深度学习 (WSDL) 提供了增强诊断能力的潜力.

研究的目的:

• 调查WSDL在帮助结质瘤诊断方面的有效性.
• 开发和评估一个WSDL模型来分类质瘤类型和等级.
• 评估模型推断IDH状态的能力.

主要方法:

• 分析了来自西中国医院 (WCH) 和癌症基因组图谱 (TCGA) 的整个幻灯片图像 (WSI).
• 用OpenSlide和DeepZoom处理了WSIs,通过Reinhard方法进行了颜色规范化.
• 开发并使用十倍交叉验证和AUC计算评估了一个WSDL模型 (ResNet-50带注意).

主要成果:

• 在TCGA和WCH数据集中,WSDL模型实现了高AUC值来区分质瘤等级和类型.
• 具体的AUC包括分化星细胞瘤,寡类质瘤,所有质瘤和质瘤类型.
• 该模型在从TCGA数据推断IDH状态方面表现出强的表现 (AUC = 0.9488).

结论:

• WSDL是一种有效可靠的工具,用于神经病理学诊断质瘤.
• 开发的AI模型是临床医生的宝贵辅助工具.
• 这种方法显示出提高质瘤诊断的准确性和效率的巨大潜力.