基础模型变压器的现实世界的基准测试和验证,用于从基因病理学上对子宫内膜癌的亚型鉴定

科学领域:

• 数字病理学数字病理学
• 计算瘤学是一种计算瘤学.
• 医学中的人工智能.

背景情况:

• 子宫内膜癌 (EC) 的分子亚型对治疗选择至关重要.
• 使用人工智能 (AI) 来精确地从整个幻灯片图像 (WSI) 中进行子类型化可以提高诊断效率.
• 目前的方法可能无法充分利用先进的人工智能模型对组织病理学的潜力.

研究的目的:

• 评估基于注意力的多实例学习 (MIL) 的开源基础模型,用于从WSIs分类EC分子亚型.
• 评估这些模型在独立的现实世界队列中的性能和通用性.
• 将基础模型与传统的卷积神经网络 (CNN) 进行比较.

主要方法:

• 组装的公共 (n=815) 和外部 (n=720) EC 队列,具有分子亚型.
• 在STAMP管道中使用TransMIL和CLAM MIL策略的四个CNN和六个开源基础编码器进行了基准测试.
• 训练模型进行交叉验证并对独立队列进行评估,使用接收器运行特征曲线 (AUC) 下的宏观区域作为主要结果.

主要成果:

• 基础模型在交叉验证中表现优于CNN (宏观AUC0.799-0.860与0.715-0.829).
• 最好的配置 (Virchow2与CLAM) 实现了0.860.0的交叉验证宏AUC.
• 在外部验证中,与CNN相比,基础模型的歧视性更高 (宏观AUC为0.667-0.780),UNI2和Virchow2模型表现强.

结论:

• 基于注意力的MIL的开源基础模型管道准确地和一般地从WSIs分类EC分子亚型.
• 这些模型在现实世界的验证中超过了CNN的表现.
• 这些发现支持使用这些人工智能工具进行可扩展,具有成本效益的精密瘤学和分子测试分类.