DeepGleason：一种使用深度神经网络的前列腺癌自动化 Gleason 分级系统
图像与视频处理
2024-03-26 v1 计算机视觉与模式识别
机器学习
组织与器官
摘要
数字病理学和人工智能（AI）的进步为临床决策支持和增强诊断工作流程提供了有希望的机遇。先前的研究已经证明了 AI 在自动化 Gleason 分级方面的潜力，但缺乏最先进的方法论和模型可重用性。为了解决这个问题，我们提出了 DeepGleason：一种基于开源深度神经网络的图像分类系统，用于使用来自前列腺组织切片的全切片组织病理学图像进行自动化 Gleason 分级。我们的工具采用标准化的 AUCMEDI 框架实现，利用微调的图像预处理技术结合 ConvNeXt 架构采用逐块分类方法，并与各种最先进的架构进行了比较。该神经网络模型在包含来自 369 张前列腺癌切片的 34,264 个标注块的内部数据集上进行了训练和验证。我们证明，DeepGleason 能够进行高度准确可靠的 Gleason 分级，其宏观平均 F1 分数为 0.806，AUC 为 0.991，准确率为 0.974。内部架构比较显示，ConvNeXt 模型在我们的数据集上性能优于 Transformer 等既有及其他现代架构。此外，在逐块细粒度分类方面，我们超越了当前的最先进水平，在良性对恶性检测中的敏感度和特异度分别为 0.94 和 0.98，在 Gleason 3 级对 Gleason 4 和 5 级分类中的敏感度和特异度分别为 0.91 和 0.75。我们的工具有助于 AI 驱动的 Gleason 分级在研究界得到更广泛的应用，并为深度学习模型在数字病理学中更广泛的临床应用铺平了道路。DeepGleason 是开源的，可在以下 Git 仓库中公开用于研究应用：https://github.com/frankkramer-lab/DeepGleason。
引用
@article{arxiv.2403.16678,
title = {DeepGleason: a System for Automated Gleason Grading of Prostate Cancer using Deep Neural Networks},
author = {Dominik Müller and Philip Meyer and Lukas Rentschler and Robin Manz and Jonas Bäcker and Samantha Cramer and Christoph Wengenmayr and Bruno Märkl and Ralf Huss and Iñaki Soto-Rey and Johannes Raffler},
journal= {arXiv preprint arXiv:2403.16678},
year = {2024}
}