在资源有限的环境中改善了非黑色素瘤皮肤癌的诊断
Spencer Ellis1, Steven Song2, Derek Reiman3
1University of Chicago, Chicago, IL, United States.
概括
基础模型 (FMs) 显示出在资源有限的环境中诊断非黑色素瘤皮肤癌 (NMSC) 的前景. 在FM嵌入式上训练的机器学习模型实现了高精度,有助于早期发现癌症.
科学领域:
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
- 计算病理学计算病理学
背景情况:
- 准确及时诊断非黑色素瘤皮肤癌 (NMSC) 对患者的治疗结果至关重要.
- 由于缺乏专家病理学家,资源有限的环境在NMSC诊断方面面临挑战.
- 正在探索通用病理学基础模型 (FMs),以解决这些诊断差距.
研究的目的:
- 评估病理学FMs对NMSC诊断和注释的有效性.
- 在资源有限的环境中评估不同FM和机器学习模型的性能.
- 为了证明一些镜头学习对整个幻灯片注释的实用性.
主要方法:
- 通过使用NMSC组织学图像评估了三个病理性FM (UNI,PRISM,Prov-GigaPath).
- 零射击全幻灯片嵌入用于癌症亚型预测.
- 使用聚合方法和多层感知器 (MLP) 模型进行预测和注释.
主要成果:
- 最好的模型使用PRISM的聚合嵌入式与MLP,实现了平均AUROC为0.925.
- 其他FM (UNI,Prov-GigaPath) 在使用基于注意力的多实例学习时也表现出高性能 (平均AUROC>0.908).
- 使用PRISM嵌入式的Few-Shot学习对于整个幻灯片注释证明是有效的.
结论:
- 病理学基础模型显示了改善NMSC早期和精确诊断的巨大潜力,特别是在服务不足的地区.
- 这些人工智能工具可以帮助应对公共卫生挑战,并促进临床试验的患者分层.
- 机器学习辅助诊断是一种可行的方法,可以在全球范围内改善癌症护理.
