用于卵巢癌亚型分类的组织病理学基础模型的全面评估

大规模预训练 Transformer 正日益被开发为通用基础模型，为强大的特定任务人工智能模型提供支撑。组织病理学基础模型在许多任务中展现出巨大潜力，但相关分析通常受限于未针对特定任务进行调优的任意超参数。我们报告了迄今为止最为严格的组织病理学基础模型单任务验证，专门针对卵巢癌形态学亚型分类。使用三个 ImageNet 预训练特征提取器和十四个组织病理学基础模型对基于注意力的多示例学习分类器进行了比较。训练集由来自 Leeds Teaching Hospitals NHS Trust 434 例卵巢癌病例的 1864 张全切片图像组成。通过五折交叉验证评估了五分类性能，并将这些交叉验证模型集成，用于在 Transcanadian Study 和 OCEAN Challenge 数据集上进行留出测试和外部验证。表现最佳的模型使用了 H-optimus-0 基础模型，在测试集中的五分类平衡准确率分别为 89%、97% 和 74%。归一化和数据增强提升了 ImageNet 预训练 ResNet 的性能，但其表现仍逊于 14 个基础模型中的 13 个。对下游分类器进行超参数调优使平衡准确率中位数提升了 1.9%，其中许多改进具有统计学显著性。组织病理学基础模型为卵巢癌亚型分类提供了明显益处，将分类性能提升至具有切实临床实用性的程度，尽管伴随着计算负担的增加。此类模型可为病理学家诊断疑难病例提供第二意见，并可能从整体上提高病理诊断的准确性、客观性和效率。