发现空洞：基于AI的肾癌腔洞形态检测实现了病理学水平的性能
计算机视觉与模式识别
2025-10-17 v1 人工智能
摘要
背景：肾癌中腔洞形态（cribriform morphology）是表明差坏预后且禁止主动监护的组织学特征。然而，腔洞报告不足，存在显著的病理学间观察变异性。我们旨在开发和验证基于AI的系统，以提高腔洞模式的检测。方法：我们使用带有多个实例学习的EfficientNetV2-S 编码器创建深度学习模型，用于端到端的全尺度病理切片分类。模型在640例数字化肾脏针biopsy（来自430名患者）上进行训练，涵盖三个队列。内部验证包括261张切片（来自171名患者），外部验证包括266张切片（104名患者），来自三个独立队列。内部验证队列包括来自开发集的实验室或扫描仪，而外部验证队列使用完全独立的仪器和实验室。提供来自三位专职肾病理学家的注释，他们之间的一致性已知较高。此外，我们进行了间评分析，将模型性能与来自内部验证队列的88张切片上的九位专职肾病理学家进行比较。结果：模型显示出强大的内部验证性能（AUC: 0.97，95% CI: 0.95-0.99；Cohen's kappa: 0.81，95% CI: 0.72-0.89）和稳健的外部验证（AUC: 0.90，95% CI: 0.86-0.93；Cohen's kappa: 0.55，95% CI: 0.45-0.64）。在我们的间评分析中，模型实现了最高的平均一致性（Cohen's kappa: 0.66，95% CI: 0.57-0.74），超过了所有九位病理学家，其中九位病理学家的Cohen's kappa范围为0.35至0.62。结论：我们的AI模型在肾癌腔洞形态检测方面实现了病理学水平的性能。该方法可增强诊断可靠性，标准化报告，并改善肾癌患者的治疗决策。
引用
@article{arxiv.2510.13995,
title = {Finding Holes: Pathologist Level Performance Using AI for Cribriform Morphology Detection in Prostate Cancer},
author = {Kelvin Szolnoky and Anders Blilie and Nita Mulliqi and Toyonori Tsuzuki and Hemamali Samaratunga and Matteo Titus and Xiaoyi Ji and Sol Erika Boman and Einar Gudlaugsson and Svein Reidar Kjosavik and José Asenjo and Marcello Gambacorta and Paolo Libretti and Marcin Braun and Radisław Kordek and Roman Łowicki and Brett Delahunt and Kenneth A. Iczkowski and Theo van der Kwast and Geert J. L. H. van Leenders and Katia R. M. Leite and Chin-Chen Pan and Emiel Adrianus Maria Janssen and Martin Eklund and Lars Egevad and Kimmo Kartasalo},
journal= {arXiv preprint arXiv:2510.13995},
year = {2025}
}