类似病理学家的可解释AI用于前列腺癌中可解释的格里森分级
Gesa Mittmann1,2, Sara Laiouar-Pedari1, Hendrik A Mehrtens1
1Division of Digital Prevention, Diagnostics and Therapy Guidance, German Cancer Research Center (DKFZ), Heidelberg, Germany.
Nature communications
|October 8, 2025
概括
这项研究引入了一种可解释的前列腺癌分级人工智能,提高了格里森得分预测准确度. 人工智能使用病理学家定义的术语和软标签进行强大的细分,帮助临床决策.
科学领域:
- 数字病理学数字病理学
- 医学中的人工智能
- 计算病理学计算病理学
背景情况:
- 前列腺癌的攻击性是由基因病理学的格里森评分系统决定的.
- 目前用于格里森评分的AI模型缺乏可解释性,阻碍了临床采用.
- 在病理学家之间,格里森评分存在很高的观察者间变异性.
研究的目的:
- 开发一种内在可解释的AI模型,用于前列腺癌中的格里森模式细分.
- 提高人工智能驱动的遗传病理学分析的稳定性和可解释性.
- 为了应对医学图像细分中的观察者间变异性的挑战.
主要方法:
- 在1015张前列腺组织微阵列核心图像上训练了一个AI模型.
- 利用了54名国际病理学家注释的详细模式描述.
- 采用病理学家定义的术语和软标签来管理数据不确定性.
主要成果:
- 实现了强大的格里森模式细分,与直接细分方法相比 (子得分:0.713 ± 0.003).
- 人工智能模型提供了可解释的输出,增强了临床信任.
- 与传统方法相比,在细分精度方面表现优越.
结论:
- 一种本质上可以解释的AI方法可以有效地对格里森模式进行细分,尽管观察者之间的变异性很高.
- 这种方法为传统人工智能提供了一个有希望的替代方案,提高了临床接受度.
- 发布的数据集将促进主观医学图像细分和病理学家推理方面的研究.
