机器学习模型使用通用和组织特定的特征提取器来准确地分类活检样本:在拉丁美洲推进肺癌诊断

科学领域:

• 病理学 病理学 病理学
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 肺癌是全球癌症死亡的主要原因之一.
• 精确的组织学亚型分类对于肺癌的诊断和治疗至关重要.
• 诊断的多样性和资源差异带来了挑战,特别是在拉丁美洲.

研究的目的:

• 开发和评估用于肺癌组织学亚型分类的新型人工智能 (AI) 模型.
• 在全球和拉丁美洲的病理样本上训练人工智能模型 (全幻灯片图像).
• 利用人工智能解决代表性不足地区的诊断挑战.

主要方法:

• 开发了两个基于DinoV2的特征提取器:LungDino和OncoDino.
• 训练有素的模型在1308的血素和乙素 (HE) 染色全幻灯片图像 (WSIs) 来自不同的来源,包括拉丁美洲.
• 评估模型与79个拉丁美洲WSIs的ResNet基线对比,使用接收器运行特征曲线并生成热图.

主要成果:

• 基于DinoV2的模型 (LungDino,OncoDino) 的表现优于ResNet的基线.
• LungDino获得了高性能:腺癌的AUC为0.97,状细胞癌的AUC为0.96.
• 在小细胞癌中,OncoDino表现出了优异的概括性,AUC为0.99,并提供了可解释的热图.

结论:

• 特定任务和一般AI特征提取器在组织病理学中提供了准确和可解释的结果.
• 这些人工智能模型解决了人工智能驱动的肺癌诊断进展的差距.
• 这些发现支持AI在肺癌亚型分类中的未来临床应用.