临床级可解释的人工智能工具用于在前列腺癌中自动检测淋巴结转移
Fatemeh Zabihollahy1, Kangdi Shi2, Collins Wangulu3
1Laboratory Medicine Program, University Health Network, Toronto, Ontario, Canada; Department of Laboratory Medicine and Pathobiology, University of Toronto, Toronto, Ontario, Canada; Division of Urology, Department of Surgery, University Health Network, Toronto, Ontario, Canada; Division of Surgical Oncology, Department of Surgery, University Health Network, Toronto, Ontario, Canada.
概括
一种新型的人工智能 (AI) 模型使用有限的数据准确检测前列腺癌中淋巴结转移 (LNM). 这种人工智能工具显著减少了病理学家的错误,并加快了幻灯片检查,提高了诊断效率.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 病理学 病理学 病理学
- 人工智能的人工智能
背景情况:
- 淋巴结转移 (LNM) 是前列腺癌的关键预后因素,影响死亡率和治疗策略.
- 手动基因病理学评估LNM是耗时的,可变的,容易出错.
- 对于LNM检测而言,深度学习需要广泛的注释数据集,这些数据集通常是不可用的.
研究的目的:
- 开发和验证一种新型的人工智能 (AI) 驱动的模型,以准确有效地检测前列腺癌中淋巴结转移 (LNM).
- 通过代错误校正,将未标记数据的信息实例纳入,以应对有限的注释数据的挑战.
- 在准确性,错误率和检查时间方面评估AI模型与人类病理学家的性能.
主要方法:
- 使用有限的注释数据集开发了一个AI模型,并将信息性的未标记数据纳入代错误校正.
- 在来自3个学术医疗中心的787张整片图像 (>2000个淋巴结组织) 上验证了模型.
- 评估模型性能使用接收器操作特征曲线 (AUC) 下的面积,灵敏度,特异性,并与病理学家比较失误率和幻灯片检查时间.
主要成果:
- 在综合测试组中,AI模型的AUC达到0.94 (95%CI,0.92-0.96).
- 幻灯片级的灵敏度和特异性分别为96%和92%.
- 人工智能模型确定了病理学家错过的17种微转移,错误率明显较低 (3%vs. 9%),幻灯片检查时间缩短 (P < .001).
结论:
- 开发的AI模型提供了一个强大的,自主和可重复的方法,用于精确检测前列腺癌中的LNM.
- 人工智能模型显示出临床部署的潜力,提高了诊断准确性和效率,特别是在识别微转移时.
- 人工智能方法有效地克服了手动评估和数据稀缺性的局限性,在转移区域识别中显示了可解释性.
