组织检测对数字病理诊断人工智能算法的影响
计算机视觉与模式识别
2025-04-01 v1
摘要
组织检测是数字病理应用中的关键第一步。很少有人报告分割算法的细节，且缺乏研究探讨差勺分割算法对下游效果的影响。忽略组织检测质量可能会为下游性能制造瓶颈，并在临床应用中排除诊断相关的标本部分，危及患者安全。本研究旨在确定下游任务的性能是否对组织检测方法敏感，并比较经典方法和 AI 方法的组织检测性能。为此，我们使用两种不同的组织检测算法（阈值法[经典]和 UNet++[AI]）在 33,823 张扫描于五台数字病理扫描仪上的 whole slide images（WSIs）上训练组织检测 AI 模型。随后，在 70,524 张来自 13 个临床中心、扫描于 13 台不同扫描仪上的 WSIs 上训练和测试下游的 Gleason 分级算法。当从基于阈值的组织检测切换到基于 AI 的组织检测时，完全未检测到组织的样本数从 116（0.43%）降至 22（0.08%），表明 AI 模型可能比经典模型更可靠，以避免对外观异常滑片的完全失效。在双方都能检测到组织的滑片上，未观察到整体 Gleason 分级性能差异。然而，在 3.5% 的恶性滑片中观察到组织检测依赖性的临床相关性差异，凸显了对于诊断 AI 最佳临床性能的重要性。
引用
@article{arxiv.2503.23021,
title = {The impact of tissue detection on diagnostic artificial intelligence algorithms in digital pathology},
author = {Sol Erika Boman and Nita Mulliqi and Anders Blilie and Xiaoyi Ji and Kelvin Szolnoky and Einar Gudlaugsson and Emiel A. M. Janssen and Svein R. Kjosavik and José Asenjo and Marcello Gambacorta and Paolo Libretti and Marcin Braun and Radzislaw Kordek and Roman Łowicki and Kristina Hotakainen and Päivi Väre and Bodil Ginnerup Pedersen and Karina Dalsgaard Sørensen and Benedicte Parm Ulhøi and Lars Egevad and Kimmo Kartasalo},
journal= {arXiv preprint arXiv:2503.23021},
year = {2025}
}
备注
25 pages, 2 tables, 3 figures, 1 supplementary figure