一个基于弱监督学习的可解释模型用于子宫光滑肌瘤诊断:一个多中心研究

科学领域:

• 妇科病理学 妇科病理学
• 计算病理学计算病理学
• 人工智能在医学中的应用

背景情况:

• 子宫光滑肌肉瘤 (USMTs) 存在诊断挑战,原因是良性乳腺瘤 (LM),恶性乳腺肌肉瘤 (LMS) 和不确定的恶性瘤 (STUMP) 的光滑肌肉瘤之间的重叠形态.
• 准确的区分对于适当的患者管理至关重要,但组织学评估可能是复杂和耗时的.

研究的目的:

• 开发和验证一个弱监督的人工智能 (AI) 模型,以仅使用全幻灯片图像 (WSI) 级别标签将USMT分类为良性或恶性.
• 评估模型的诊断性能和可解释性,并评估它在人工智能与人类合作中对病理学任务的有用性.

主要方法:

• 训练和内部测试使用了94个LMS和634个良性USMT病例 (共1797个WSI) 的多中心数据集.
• 一个独立的外部测试集,包括27个LMS和90个良性USMT病例 (共302个WSI),用于验证.
• 开发了一个基于CAMEL2的弱监督学习模型,并使用曲线下的面积 (AUC) 和准确度指标评估了其诊断性能. 通过热图评估可解释性,并进行了一项人工智能-人类合作研究.

主要成果:

• 人工智能模型实现了出色的诊断性能,AUC为0.9976 (内部) 和0.9889 (外部),精度超过0.97.
• 可解释性热图突出显示了LMS在恶性病例中的关键病理特征和STUMP病例中的可疑区域,与病理学家的注释保持一致.
• 在人工智能与人类的合作中,模型辅助导致了诊断准确度的提高和诊断时间的缩短.

结论:

• 这项研究介绍了第一个弱监督的AI模型用于USMT诊断,证明了高准确性和可解释性,注释最小.
• 人工智能模型显示出作为病理学家的决策支持工具的巨大潜力,提高了妇科病理学诊断效率和准确性.
• 弱监督学习为开发病理学AI工具提供了一个有希望的方法,克服了广泛的数据注释要求的局限性.