通过机器学习弥合前列腺放射影像与病理之间的鸿沟
图像与视频处理
2022-10-12 v1 计算机视觉与模式识别
摘要
前列腺癌是美国男性致死率第二高的癌症。尽管磁共振成像(Magnetic Resonance Imaging, MRI)日益用于引导靶向活检以诊断前列腺癌,但其效用仍受限于高假阳性与假阴性率以及较低的阅片者间一致性。在前列腺 MRI 上检测并定位癌变的机器学习方法有助于标准化放射科医师解读。然而,现有机器学习方法不仅在模型架构上各异,用于模型训练的ground truth标注策略亦不相同。本研究中,我们比较了不同标注策略,即:病理确认的放射科医师标注、全 mounted 组织病理学图像上的病理医师标注,以及全 mounted 组织病理学图像上病灶级与像素级数字病理医师标注(此前已验证的可预测像素级 Gleason 模式的深度学习算法)。我们分析了这些标注对训练所得机器学习模型性能的影响。实验表明:(1)放射科医师标注及依此训练的模型可能漏诊癌症或低估癌灶范围;(2)数字病理医师标注及依此训练的模型与病理医师标注高度一致;(3)不论所用模型架构如何,依数字病理医师标注训练的模型在疾病分布不同的两个队列中均取得最佳前列腺癌检测性能。数字病理医师标注可缓解人工标注相关的劳动、时间、阅片者间与阅片者内变异等挑战,并能通过支撑可靠机器学习模型的训练以在 MRI 上检测与定位前列腺癌,从而弥合前列腺放射影像与病理间的鸿沟。
引用
@article{arxiv.2112.02164,
title = {Bridging the gap between prostate radiology and pathology through machine learning},
author = {Indrani Bhattacharya and David S. Lim and Han Lin Aung and Xingchen Liu and Arun Seetharaman and Christian A. Kunder and Wei Shao and Simon J. C. Soerensen and Richard E. Fan and Pejman Ghanouni and Katherine J. To'o and James D. Brooks and Geoffrey A. Sonn and Mirabela Rusu},
journal= {arXiv preprint arXiv:2112.02164},
year = {2022}
}
备注
Indrani Bhattacharya and David S. Lim contributed equally as first authors. Geoffrey A. Sonn and Mirabela Rusu contributed equally as senior authors