对于清细胞细胞癌的组织学多类分级,回归方法的适用性

科学领域:

• 数字病理学数字病理学
• 医学中的人工智能
• 在瘤学瘤学.

背景情况:

• 癌瘤的组织学分类在病理学中至关重要.
• 深度学习 (DL) 越来越多地应用于病理学任务.
• DL已经从两类分类转向多类分类,但回归的作用较少被探索.

研究的目的:

• 调查回归方法在多类癌症分级中的适用性.
• 为了比较回归和分类DL模型对清细胞细胞癌 (ccRCC) 分级的性能.

主要方法:

• 从ccRCC的16个全幻灯片图像中利用了11,826个组织图像补丁.
• 采用了卷积神经网络 (CNN) 模型,特别是DenseNet-121和Inception-v3.3.
• 基于回归和基于分类的DL模型进行了四类分级的比较.

主要成果:

• 回归模型的准确性与分类模型相比,达到0.990.0.
• 回归模型显示预测错误的数量减少了两个或更多等级.
• 定性分析显示,回归预测捕捉了等级的瘤内部异质性.

结论:

• 回归方法与多类癌症分级高度兼容.
• 回归模型在病理学中为开发实用的多类等级预测工具提供了优势.
• 这项研究验证了回归作为复杂的组织学分级任务的可行方法.