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) 的分子亚型是指导治疗的关键.
• 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.
• 在现实世界临床环境中评估人工智能模型的通用性至关重要.

研究的目的:

• 评估基于注意力的多个实例学习 (MIL) 的开源组织病理学基础模型的准确性,以从WSIs分类EC分子亚型.
• 在一个独立的,现实世界的队列中评估这些模型的性能维护.

主要方法:

• 使用了一个发现队列 (815名患者) 和一个独立的外部队列 (720名患者).
• 四个基础编码器和四个卷积神经网络 (CNN) 使用STAMP管道与TransMIL和CLAM MIL策略进行了基准测试.
• 模型通过交叉验证进行训练,并在外部队列上进行测试,以接收器运行特征曲线 (AUC) 下的宏观区域作为主要指标.

主要成果:

• 基础模型在交叉验证中显著优于CNN (宏观AUC0.799-0.860与0.715-0.829).
• 在交叉验证中,表现最好的基础模型 (Virchow2与CLAM) 在交叉验证中实现了0.860的宏观AUC.
• 在外部验证中,与CNN相比,基础模型表现更好 (宏观AUC为0.667-0.780),UNI2和CLAM实现了最高的外部宏观AUC (0.780).

结论:

• 与MIL相结合的开源基础模型可以准确地和一般地从WSIs直接对EC分子亚型进行分类.
• 这些人工智能模型在现实世界的验证中超越了传统的CNN,为可扩展和具有成本效益的精密瘤学工具提供了潜力.
• 这些发现支持使用这些模型来指导治疗决策和在EC中分类分子测试.