基于长期存档常规样本的人工智能驱动的前列腺病理端到端模型验证
计算机视觉与模式识别
2026-05-05 v1 人工智能
摘要
人工智能 (AI) 正变为前列腺病理学的临床工具，但关于模型在长期存档样本中因保存方式和准备方式产生的变异上的泛化能力仍有不足的了解。我们在来自 14 个瑞典地区、1998-2015 年收集的 ProMort 队列中存档诊断标本的独立验证队列中评估了 GleasonAI——一种基于注意力机制的端到端多实例学习模型。该模型在核心级别的 ISUP 分级中实现了 0.86 的总体加权 Kappa 系数，相当于几位经验丰富的病理学家，且在不同地理区域的表现一致。值得注意的是，该模型在 17 年收集期间的表现保持稳定，表明其对存档材料中随时间相关的变异具有鲁棒性，这一特性在基础模型方法中并不总是如此。探索性分析显示，AI 分配的分级组之间存在显著的前列腺癌特定死亡率的预后梯度。这些发现支持了 AI 分级模型的可泛化性，展示了病理存档作为大规模 AI 开发、验证和回望性预后研究资源的潜力。
关键词
引用
@article{arxiv.2605.02614,
title = {Validation of an AI-based end-to-end model for prostate pathology using long-term archived routine samples},
author = {Xiaoyi Ji and Renata Zelic and Oskar Aspegren and Nita Mulliqi and Michelangelo Fiorentino and Francesca Giunchi and Luca Molinaro and Sol Erika Boman and Lorenzo Richiardi and Andreas Pettersson and Per Henrik Vincent and Martin Eklund and Olof Akre and Kimmo Kartasalo},
journal= {arXiv preprint arXiv:2605.02614},
year = {2026}
}
备注
47 pages, 10 figures, 9 tables