用于黑色素瘤诊断的全卷积网络

本工作旨在确定现代机器学习技术如何应用于此前未被探索的基于数字病理学的黑色素瘤诊断课题。我们利用数字病理学整理了一个包含 50 例皮肤黑色素瘤患者病例的新数据集。我们提供了三种组织类型（肿瘤、表皮和真皮）的金标准标注，这些对于称为 Breslow 厚度和 Clark 级别的预后测量十分重要。随后，我们设计了一种新颖的多步幅全卷积网络（FCN）架构，根据标准指标，其性能优于使用相同数据训练和评估的其他网络。最后，我们训练了一个模型来检测和定位目标组织类型。在处理先前未见的病例时，我们模型的输出在质量上与金标准非常相似。除了作为我们方法基线计算的标准指标外，我们还邀请了三位额外的病理学家在网络输出上测量 Breslow 厚度。他们的诊断结果与真实测量等价，并且在剔除不适合测量的病例后，四位病理学家之间的一致性信度（IRR）为 75.0%。鉴于定性和定量结果，利用现代机器学习技术克服皮肤和肿瘤解剖结构在分割上的判别性挑战是可能的，尽管仍需更多工作以提升网络在真皮分割上的性能。此外，我们表明，达到手动执行 Breslow 厚度测量所需的准确度水平是可能的。