通过更好的数据集和贝叶斯方法聚合面板预测克服基于人工智能的前列腺癌检测中的局限性

尽管在开发用于从全切片图像检测前列腺癌的人工智能（AI）算法方面取得了显著进展，但由于病理标注的变异性和现有数据集的局限性，这些模型的临床适用性仍然有限。本文提出了一种新颖的方法来克服这些挑战，该方法利用贝叶斯框架无缝整合新数据，并将结果呈现为标注面板。该框架通过将贝叶斯先验与一个训练好的AI模型相结合，为图像的每个像素生成Gleason模式分布来演示。结果表明，使用这种Gleason模式分布而非真实标签可以提高模型适用性、减少错误，并为病理学家突出感兴趣区域。此外，我们提供了一个高质量、手工整理的前列腺组织病理学图像数据集，该数据集由经过培训的医学预科生在腺体水平进行标注，并由专家病理学家验证。我们强调了这种自适应且具有不确定性意识的框架在开发临床可部署AI工具方面的潜力，这些工具可以支持病理学家进行准确的前列腺癌分级，提高诊断准确性，并改善患者预后。