专家认知驱动的集成深度学习用于乳腺癌组织学图像中新辅助化疗病理完全反应预测的外部验证
医学物理
2024-11-12 v2 计算机视觉与模式识别
图像与视频处理
摘要
在乳腺癌中,新辅助化疗(NAC)为局部晚期及部分大型可手术肿瘤患者提供了标准治疗选择。若患者经 NAC 治疗达到病理完全反应(pCR),其预后更佳。基于深度学习(DL)直接从组织学图像预测 NAC 的 pCR 已成趋势。然而,基于 DL 的预测模型在数值上内部验证性能优于外部验证。本文旨在以内在方法缓解此状况。我们提出专家认知驱动的集成深度学习(ECDEDL)方法。ECDEDL 兼顾病理学与人工智能专家的认知,以提升预测模型对外部验证的泛化能力,可从内在上逼近人类参照多种工作经验做决策的工作范式。ECDEDL 以来自同一中心、作为主数据集用于开发预测模型并执行内部验证的 695 张 WSI 进行验证,并以来自其他三个中心、作为外部数据集执行外部验证的 340 张 WSI 进行验证。在外部验证中,ECDEDL 将 pCR 预测的 AUC 从 61.52(59.80-63.26)提升至 67.75(66.74-68.80),将 pCR 预测的准确率从 56.09(49.39-62.79)提升至 71.01(69.44-72.58)。ECDEDL 对乳腺癌组织学图像中 NAC 的 pCR 预测外部验证颇为有效,数值上逼近内部验证。
引用
@article{arxiv.2306.10805,
title = {Experts' cognition-driven ensemble deep learning for external validation of predicting pathological complete response to neoadjuvant chemotherapy from histological images in breast cancer},
author = {Yongquan Yang and Fengling Li and Yani Wei and Yuanyuan Zhao and Jing Fu and Xiuli Xiao and Hong Bu},
journal= {arXiv preprint arXiv:2306.10805},
year = {2024}
}
备注
This is the final published version