一个基于视力转换器的通用化自我监督模型,用于使用组织图像诊断和分类前列腺癌

科学领域:

• 数字病理学数字病理学
• 在瘤学中使用人工智能
• 组织病理学图像分析图像分析

背景情况:

• 格里森分级对于前列腺癌预后至关重要,但受到主观变化的影响.
• 这种变化可能会影响临床决策和患者的治疗结果.
• 开发客观的诊断工具对于改善前列腺癌管理至关重要.

研究的目的:

• 开发和验证用于前列腺癌诊断和分级的通用人工智能系统.
• 评估人工智能系统在各种数据集上的性能,包括组织微阵列核心和整个幻灯片图像.
• 评估AI系统区分良性和恶性组织的能力,并对格里森模式进行分类.

主要方法:

• 分析了8个前列腺癌数据集 (12,711张图像,3648名患者) 使用组织微阵列核心和整个幻灯片图像.
• 应用Macenko方法进行颜色正常化,以确保图像的一致性.
• 培训用于组织分类和格莱森模式分类的多分辨率二进制和多类分类器.
• 对来自2176名患者的11,132张图像进行了外部验证,以确定国际泌尿病理学会 (ISUP) 的等级.

主要成果:

• 人工智能系统在区分良性和恶性组织方面取得了很高的性能 (κ=0.967内部,0.876-0.995外部).
• 多类分类器准确地区分了格里森模式 (GP3,GP4,GP5),总的 κ=0.841.
• 在外部数据集上的表现与独立病理学家的表现相比较好 (四个类的κ=0.752).

结论:

• 一个基于视觉转换器 (ViT) 的自主监督的人工智能模型有效地根据组织图像诊断和分级前列腺癌.
• 人工智能系统在数字病理学环境中展示了强度和临床适用性.
• 这项技术为前列腺癌分级的主观性提供了潜在的解决方案,并有助于临床决策.