利用皮肤病理学家共识作为金标准的黑色素瘤标本分诊病理深度学习系统
图像与视频处理
2021-09-17 v1 计算机视觉与模式识别
摘要
尽管黑色素瘤较其他几种皮肤癌发生率更低，但若漏诊，患者长期生存率极低。由于在区分黑色素瘤与良性黑素细胞病变时病理学家间分歧率高，诊断颇为困难。一种能使病理实验室在工作流中对黑色素瘤病例排序并优先处理的工具，可通过优先处理疑难病例并将其直接分派给相应亚专科医生来缩短周转时间。我们提出一种病理深度学习系统（PDLS），将数字化的全切片图像（WSI）标本按形态学特征分层分类为六类，包括对很可能代表黑色素瘤或重度发育不良痣的“黑素细胞可疑”标本的分类。我们在来自单一实验室（参考实验室）的 7,685 张图像上训练该系统，包含迄今最大的三重一致黑素细胞标本集，并在来自两个不同验证实验室的 5,099 张图像上测试。我们对参考实验室、第一验证实验室与第二验证实验室的“黑素细胞可疑”标本分类分别取得 ROC 曲线下面积（AUC）值 0.93、0.95 与 0.82。我们证明该 PDLS 能自动排序并分诊皮肤标本，对黑素细胞可疑病例具有高灵敏度，且病理学家仅需处理 30% 至 60% 的标本量即可覆盖所有黑色素瘤标本。
引用
@article{arxiv.2109.07554,
title = {A Pathology Deep Learning System Capable of Triage of Melanoma Specimens Utilizing Dermatopathologist Consensus as Ground Truth},
author = {Sivaramakrishnan Sankarapandian and Saul Kohn and Vaughn Spurrier and Sean Grullon and Rajath E. Soans and Kameswari D. Ayyagari and Ramachandra V. Chamarthi and Kiran Motaparthi and Jason B. Lee and Wonwoo Shon and Michael Bonham and Julianna D. Ianni},
journal= {arXiv preprint arXiv:2109.07554},
year = {2021}
}
备注
Accepted at ICCV 2021 CDpath workshop