在从组织学图像预测分子生物标志物时,混因素和偏见大量存在

科学领域:

• 在瘤学中计算病理学和人工智能.
• 使用机器学习发现和验证生物标志物.

背景情况:

• 深度学习 (DL) 模型正在开发中,以从组织病理图像中预测生物标志物状态,作为分子测试的经济有效替代方案.
• 现有的DL方法在区分真实生物标志物信号与训练数据集中存在的混临床病理特征方面面临挑战.

研究的目的:

• 统计分析混变量对DL模型性能的影响,用于从组织图像中预测生物标志物.
• 评估DL模型作为瘤学分子测试的替代品的当前能力.

主要方法:

• 跨多种癌症类型,数据集和DL建模方法的统计分析.
• 评估与生物标志物共依存性和临床病理变量相关的模型预测准确性.
• 将DL模型的性能与从常规组织病理学中病理学家推断的结果进行比较.

主要成果:

• 训练数据集显示生物标志物和临床病理特征之间的强烈依赖,导致DL模型学习混的信号.
• 模型预测的准确性受到相互依赖的生物标志物和临床变量的影响.
• 对于一些生物标志物来说,相对于标准的组织病理学评估 (例如瘤等级) 的性能提升是边际的.

结论:

• 目前用于从图像中预测生物标志物的DL模型尚未可靠地替代分子测试.
• 这些模型可能为临床分拣或决策支持提供额外的价值,但需要谨慎应用.
• 未来的发展需要能够学习生物标志物和组织形态之间的因果关系的模型,而不仅仅是相关性.