基于深度学习的算法对卵巢癌基因型鉴定在独立数据集中的性能评估

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:

• 在上皮卵巢癌中,组型分类对于治疗至关重要,但由于机构间的幻灯片变化,它面临着挑战.
• 需要域调整技术来解决来自不同来源的数据的变化.

研究的目的:

• 评估对抗性富里埃基域适应 (AIDA) 模型在使用独立队列对五种主要卵巢癌基因型进行分类时的性能.
• 评估AIDA模型与额外的幻灯片重新训练对分类准确性的影响.

主要方法:

• 一个回顾性研究应用了AIDA深度学习模型,在温哥华总医院的数据上进行训练,对阿姆斯特丹大学医学中心的独立队列进行了回顾性研究.
• 基因型预测是使用15个模型的多数投票进行的,并使用额外的幻灯片对错误分类的病例进行重新训练.
• 用单片和多数投票方法评估分类准确性.

主要成果:

• 艾达模型在透明细胞 (CCC),子宫内膜 (EC),高度血清 (HGSC),低度血清 (LGSC) 和粘膜性 (MC) 卵巢癌亚型中实现了79.7%的整体平衡精度.
• 对CCC (90.9%) 和LGSC (89.8%) 观察到的精度最高,而EC (62.4%) 显示最低.
• 使用额外的幻灯片进行重新训练,使平衡精度提高到85.8% (单幻灯片) 和82.6% (多数投票).

结论:

• 艾达模型证明了在上皮卵巢癌中准确地分类组织型的潜力,解决了域转移的挑战.
• 需要进一步改进模型,以改善困难病例的性能,从而可能提高临床诊断的准确性.