深度学习算法在检测有丝分裂最活跃肿瘤区域上优于兽医病理学家

手动计数有丝分裂象（在具有最高有丝分裂活性的肿瘤区域中确定）是大多数肿瘤分级方案的关键参数。然而，由于肿瘤切片中有丝分裂象分布不均，它可强烈依赖于区域选择。我们旨在评估区域选择能在多大程度上影响有丝分裂计数这一已知具有高评分者间不一致性的问题。在一个包含 32 张 H&E 染色的犬皮肤肥大细胞肿瘤全切片图像的数据集上（已对有丝分裂象进行完整标注），我们请八位兽医病理学家（五位认证专家，三位受训中）选择用于有丝分裂计数的感兴趣区域。为评估对计数的潜在差异，我们将所选区域的有丝分裂计数与切片上的整体分布进行比较。此外，我们评估了三种基于深度学习的方法来评估最高有丝分裂密度：一种方法中，模型直接尝试将所呈现的图像块的有丝分裂计数作为回归任务进行预测。第二种方法旨在导出有丝分裂象的分割掩码，随后用于获得有丝分裂密度。最后，我们评估了基于最先进架构的两阶段目标检测流程以识别单个有丝分裂象。我们发现，所有模型的平均预测均优于专家。两阶段目标检测器表现最佳，并在大多数肿瘤病例上超越了多数人类病理学家。预测与真实有丝分裂计数之间的相关性该方法也最佳（0.963 至 0.979）。进一步，我们发现病理学家之间在位置选择上存在显著差异，这可部分解释手动有丝分裂计数所报道的高方差。