一个多任务的深度学习框架用于甲状腺癌转移的手术内诊断,使用整个幻灯片图像
Wei Liu1, Shisheng Zhang2, Jingtian Shi3
1Department of General Surgery (Thyroid & Breast), Zhongshan Hospital, Fudan University, Shanghai 200032, China.
International journal of medical informatics
|November 14, 2025
概括
这项研究引入了一个深度学习框架,用于分析从冷部分的乳头甲状腺癌 (PTC) 淋巴结转移. 该模型提高了诊断准确性和可解释性,有助于在PTC管理中进行手术规划.
科学领域:
- 在瘤学瘤学.
- 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) 是乳头甲状腺癌 (PTC) 的关键预后指标.
- 传统的成像和冷部分在检测微转移方面存在局限性.
- 在整个幻灯片图像 (WSIs) 上进行深度学习是有前途的,但面临着性能和可解释性挑战.
研究的目的:
- 开发和验证一个深度学习框架,用于在PTC中对手术内冷部分WSIs的多任务分析.
- 预测淋巴结转移,T阶段和转移性解剖学定位.
- 提高诊断精度和可解释性,用于临床整合.
主要方法:
- 采用了一个集群受约束的注意力多实例学习 (CLAM) 框架.
- 该模型分析了来自两个中心的569名PTC患者样本的手术内冷部分WSIs.
- ResNet50用于特征提取,具有10倍的交叉验证和Grad-CAM用于可解释性.
主要成果:
- 在CLAM管道中,LNM检测的AUC为0.85,T阶段的AUC为0.65,解剖定位的AUC为0.71.
- 该模型在独立机构中显示出一致的业绩.
- 基于注意力的可视化突出显示了诊断相关的区域,提高了可解释性.
结论:
- 为PTC手术内诊断开发了一个临床相关,可解释和可通用的深度学习框架.
- 该方法利用弱监督学习和多中心数据来实现强大的性能.
- 这一框架有望增强手术规划和推进甲状腺癌的精确瘤学.
