一种用于病理切片结直肠癌诊断的可解释机器学习系统
图像与视频处理
2024-05-02 v2 计算机视觉与模式识别
摘要
考虑到病理学实践正经历深刻变革，我们旨在开发一种可扩展的人工智能（AI）系统，从全切片图像（WSI）诊断结直肠癌。为此，我们提出了一种从弱标签学习的深度学习（DL）系统、一种在不损害性能前提下将训练样本数量减少六倍的采样策略、一种利用一小部分完全标注样本的方法，以及一个具有可解释预测、主动学习特性与并行化的原型。注意到文献中的一些不足，本研究使用了约 10,500 张 WSI 的结直肠癌样本数据集之一，为最大规模之一。其中 900 个为测试样本。此外，所提方法的鲁棒性通过两个额外的外部数据集（TCGA 和 PAIP）以及一个直接从所提原型收集的样品数据集进行评估。我们提出的方法基于异型增生严重程度为基于块的瓦片预测类别，并利用该信息对整张切片分类。它以可解释的混合监督方案训练，以利用病理学家通过空间标注引入的领域知识。该混合监督方案实现了一种智能采样策略，在多种不同场景下有效评估且未损害性能。在内部数据集上，该方法准确率为 93.44%，阳性（低级别与高级别异型增生）与非肿瘤样本间的灵敏度为 0.996。外部测试样本表现各异，TCGA 最具挑战性，总体准确率为 84.91%，灵敏度为 0.996。
引用
@article{arxiv.2301.02608,
title = {An interpretable machine learning system for colorectal cancer diagnosis from pathology slides},
author = {Pedro C. Neto and Diana Montezuma and Sara P. Oliveira and Domingos Oliveira and João Fraga and Ana Monteiro and João Monteiro and Liliana Ribeiro and Sofia Gonçalves and Stefan Reinhard and Inti Zlobec and Isabel M. Pinto and Jaime S. Cardoso},
journal= {arXiv preprint arXiv:2301.02608},
year = {2024}
}
备注
Accepted at npj Precision Oncology. Available at: https://www.nature.com/articles/s41698-024-00539-4