一个可解释的机器学习框架,用于在胃肠道 stromal 瘤中自动检测线粒分裂
Xin Dong1, Jiaqiang Dong1, Kai Liu1
1Xijing Hospital of Digestive Diseases, Air Force Medical University (Fourth Military Medical University), Xi'an, China.
Pathology, research and practice
|October 1, 2025
概括
这项研究引入了一种自动机器学习方法,用于计数胃肠瘤 (GIST) 中的线粒细胞,比手工方法提高准确性和效率. 开发的框架显示了病理学应用的临床潜力.
科学领域:
- 计算病理学计算病理学
- 机器学习在瘤学中
- 胃肠道 stromal 瘤 (GIST) 的研究.
背景情况:
- 线粒体指数对于GIST分级至关重要,但手动计数耗时且容易出现错误.
- 现有的自动化方法对GIST螺旋细胞不够,凸显了对专门解决方案的需求.
研究的目的:
- 开发和验证基于机器学习的自动化系统,用于准确检测和计数GIST图像中的线粒分裂.
- 为了评估自动化系统的性能与手动计数和Ki-67表达相比.
主要方法:
- 创建了一个GIST图像数据库,包含13,965个注释的线粒细胞.
- 进行了核细分,特征提取和选择,随后训练了六个算法.
- 使用10x和40x放大度的SVM-RBF模型实施了一种两步级联式双尺度方法,用于幻灯片级计数.
主要成果:
- SVM-RBF模型实现了高性能 (F1=0.83在10x,F1=0.89在40x).
- 自动计数显示与手动计数的中等相关性 (r=0.4705) 和Ki-67表达的强相关性 (r=0.6187).
- SHAP分析证实该模型符合病理学家的标准.
结论:
- 这项研究介绍了第一个用于GIST线粒细胞检测和计数的自动化框架.
- 这些发现证明了传统机器学习在病理学中的临床实用性,并强调了该模型的可解释性.
