基于 AI 的临床级组织病理诊断异常检测
人工智能
2024-06-24 v1 图像与视频处理
摘要
虽然先前的研究表明了 AI 在影像数据中诊断疾病的潜力，但其临床应用仍滞后于实际需求。这部分原因在于 AI 模型需要大量仅存在于常见疾病中的样本进行训练。在临床实践中，只有少数疾病较为常见，绝大多数疾病发生频率较低（长尾分布）。当前的 AI 模型要么忽视这些疾病，要么误分类。我们提出了一种深度异常检测方法，仅需使用常见疾病的训练数据，即可检测所有较少频繁的疾病。我们收集了两个大型真实世界的胃肠病理组织切片数据集，典型地反映了该问题。本研究中，最常见的十种病理发现约占 90% 的病例，而剩余的 10% 包含 56 种疾病实体，其中包括许多恶性肿瘤。使用 1700 万张组织学图像（来自 5423 例病例）进行训练和评估。在未针对具体疾病进行特殊训练的情况下，我们的最佳模型可靠地检测了广泛的稀有（“异常”）病理病变，分别在胃部和结肠部位达到 95.0% 和 91.0% 的 AUROC，并在不同扫描仪和医院之间具有良好的推广性。按照设计，所提出的异常检测方法可预期检测胃肠病理组织切片诊断尾部的任何病理改变，包括罕见的原发或转移性癌症。这一研究首次在组织病理学中实现了有效的临床 AI 异常检测应用，可标记异常病例，促进病例优先级排序，减少漏诊，并提高 AI 模型的整体安全性，从而推动 AI 在常规诊断及其扩展应用中的采用和自动化。
引用
@article{arxiv.2406.14866,
title = {AI-based Anomaly Detection for Clinical-Grade Histopathological Diagnostics},
author = {Jonas Dippel and Niklas Prenißl and Julius Hense and Philipp Liznerski and Tobias Winterhoff and Simon Schallenberg and Marius Kloft and Oliver Buchstab and David Horst and Maximilian Alber and Lukas Ruff and Klaus-Robert Müller and Frederick Klauschen},
journal= {arXiv preprint arXiv:2406.14866},
year = {2024}
}