对数据变异对基于人工智能的前列腺癌组织病理学分级的影响进行系统分析
Patrick Fuhlert1, Fabian Westhaeusser1, Esther Dietrich2
1Institute of Medical Systems Bioinformatics, Center for Biomedical AI (bAIome), Center for Molecular Neurobiology Hamburg (ZMNH), University Medical Center Hamburg-Eppendorf, Hamburg, Germany; Spearpoint Analytics AB, Stockholm, Sweden.
Medical image analysis
|November 27, 2025
概括
人工智能 (AI) 对前列腺癌 (PCa) 的分级显示出希望,但与数据变化作斗争. 这项研究开发了一个强大的AI框架,PCAI,训练了各种数据和患者的结果,在评分准确度方面表现优于人类专家.
科学领域:
- 数字病理学数字病理学
- 医学中的人工智能
- 在瘤学瘤学.
背景情况:
- 专家的组织病理学评估是诊断疾病的临床标准.
- 当前的人工智能方法实现了专家级别的性能,但受到样本准备数据变异的限制,影响了临床使用.
- 染色,厚度和扫描的变化会影响组织病理学中的AI可靠性.
研究的目的:
- 为了研究数据变异对基于人工智能的基因病理学分级的影响.
- 开发和评估用于前列腺癌 (PCa) 评分中强大的AI预测的算法方法.
- 评估与人类专家对抗新型人工智能框架的性能.
主要方法:
- 收集了一个大型的多中心数据集 (25591名患者,83864张图像) 具有很高的数据差异.
- 开发了一个基于患者结果的AI分级框架 (PCAI),结合域对抗训练和可信度引导的颜色适应.
- 将PCAI与基线模型和外部测试队伍的人类专家进行比较 (2,255名患者,9,437张图像).
主要成果:
- 数据的变化,特别是断面厚度和染色时间,降低了AI分级性能高达8.6个百分点 (EOC指数).
- 在高差异数据和患者结果与算法增强方面进行培训的PCAI框架显示出显著的稳定性.
- 在评分表现方面,PCAI超过了经验丰富的病理学家,提高了EOC指数和5年AUROC高达21.2个百分点.
结论:
- 数据的变化对基于人工智能的遗传病学分级构成重大风险.
- 算法改进和基于结果的培训创造了强大的AI模型,克服了数据变化挑战.
- 开发的AI框架显示了在前列腺癌分级方面超越人类专家表现的潜力.
