在乳腺癌中对淋巴结转移的细分进行分布外概括
Yiannis Varnava1, Kiran Jakate2, Richard Garnett3
1Department of Electrical, Computer, and Biomedical Engineering, Toronto Metropolitan University, Toronto, ON, Canada. yvarnava@torontomu.ca.
Scientific reports
|January 8, 2025
概括
这项研究引入了一种新的人工智能方法,以改善淋巴结转移 (LNM) 的分类,用于乳腺癌的分期. 该方法增强了模型的概括性,在各种数据集上实现了F1得分0.81.
科学领域:
- 数字病理学数字病理学
- 机器学习在瘤学中
- 医疗诊断中的人工智能
背景情况:
- 人工智能 (AI) 工具有可能提高病理诊断的准确性和效率.
- 淋巴结转移 (LNM) 的分级对于乳腺癌的分期和治疗决策至关重要.
- 领域转移,即人工智能模型遇到的数据分布与训练数据 (OOD) 不同,这对人工智能工具的泛化构成了重大挑战.
研究的目的:
- 开发一种用于策划培训数据集的新型无监督方法,以改进用于LNM分类的AI模型概括.
- 引入依赖数据的等价性测试框架,使用两个单面测试 (TOST) 方法来评估模型概括.
- 提供客观的,数据驱动的等价率,用于评估AI模型在In-Distribution (ID) 和OOD数据上的性能.
主要方法:
- 采用了一种新的无监督集群和采样技术,自动整理训练数据集.
- 两种单边测试 (TOST) 方法被调整为评估ID和OD数据之间的性能等价性.作为概括的衡量标准.
- 综合模型是从个别模型中构建的,这些模型在瘤和正常组织补丁中展示了泛化.
主要成果:
- 提出的方法成功策划了训练数据集,增强了模型概括能力.
- 经过调整的TOST方法提供了数据依赖的等效率,减少了绩效评估的主观性.
- 组装模型在未见的ID和OOD样本上获得了0.81的LNM分类的显著F1得分,证明了强大的性能.
结论:
- 开发的AI框架有效地解决了LNM分类中的领域转移挑战.
- 无监督数据策划和基于TOST的评估框架提高了AI模型在病理学中的概括性和可靠性.
- 这项工作推动了人工智能在乳腺癌诊断中的应用,为更准确,更可靠的分期铺平了道路.
