在多部位整体幻灯片图像上对初级中枢神经系统淋巴瘤和质母细胞瘤的病理差异化监督较弱

科学领域:

• 数字病理学数字病理学
• 计算瘤学是一种计算瘤学.
• 医学中的人工智能.

背景情况:

• 区分初级中枢神经系统淋巴瘤 (PCNSL) 和质母细胞瘤 (GBM) 是非常重要的,因为不同的预后和治疗方法.
• 手动组织学检查,黄金标准,由于形态相似性和瘤异质性,耗时且容易误诊.
• 目前的放射差异化方法通常依赖于多参数MRI,突出需要先进的病理分析.

研究的目的:

• 开发一种使用整片图像 (WSIs) 的PCNSL和GBM之间的病理差异化计算方法.
• 研究自我监督特征学习和弱监督多个实例学习的实用性,以对这些具有挑战性的瘤类型进行分类.
• 评估特征提取器培训策略 (机构特定,多站点,大规模) 对分类性能的影响.

主要方法:

• 在WSI补丁上训练一个自我监督的特征提取器,以捕获内在的组织学特征.
• 采用弱监督的多实例学习模型来根据融合补丁表示来分类WSIs.
• 在三家医院的134例PCNSL和526例GBM病例数据集上验证该方法,评估不同的特征提取策略.

主要成果:

• 开发的方法表现出强的性能,接收器操作特征曲线下的面积在单个数据集中超过85%,在多站点数据集中接近95%.
• 机构特定的特征提取器产生了最好的预测,在每个数据集上实现了PCNSL和GBM分类的约80%准确性.
• 该模型的分类准确度突出显示了AI在病理差异化中的有效性.

结论:

• 提出的方法显示出优异的分类性能,将其定位为一个有价值的辅助工具,以减少病理学家的工作量,并提供客观的第二诊断.
• 该模型生成的注意热图通过突出区分区域来增强可解释性,提供额外的诊断见解.
• 这种人工智能驱动的方法有可能显著提高PCNSL和GBM诊断的准确性和效率.