低监督的基于深度学习的检测在输卵管中的血清管内皮细胞癌

科学领域:

• 病理学 病理学 病理学
• 在瘤学瘤学.
• 医疗成像医学成像

背景情况:

• 血清管内皮癌 (STIC) 是卵巢癌的前体,通常在输卵管样本中偶然发现.
• 检测STIC是具有挑战性的,因为它的小尺寸和微妙的异型,需要改进的诊断工具.
• 生殖线BRCA突变与STIC和高度血清性卵巢癌的风险增加有关.

研究的目的:

• 开发和评估一个弱监督的深度学习模型,用于在全幻灯片图像中识别STIC和状管内皮病变 (STIL).
• 评估模型在区分STIC/STIL与良性输卵管组织和反应性异型的性能.
• 探索计算方法在增加病理学家效率和输卵管病变的诊断准确度方面的潜力.

主要方法:

• 开发了一个弱监督的,基于注意力的多实例学习模型.
• 该模型在被诊断为STIC,STIL或良性的输卵管样本的全幻灯片图像上进行了训练.
• 在独立的平衡和不平衡验证数据集上评估了性能,包括良性反应性非典型病例.

主要成果:

• 深度学习模型实现了高灵敏度和特异性.
• 该模型表现出强的性能,在平衡验证队列上AUROC为0.96,在不平衡队列上为0.98.
• 解释性分析证实,模型决策是基于相关的上皮异型,表明临床相关性.

结论:

• 深度学习模型可以有效地识别卵管样本中的STIC和STIL.
• 开发的模型显示了将其整合到临床工作流程中的潜力,以协助病理学家.
• 这种方法可以提高诊断准确性和检测早期输卵管癌的效率.