分享自:

基于人工智能算法的数字化组织病理学切片皮肤黑色素瘤识别

期刊:Frontiers in OncologyDOI:10.3389/fonc.2020.01559

该文档属于类型a,即报告了一项原始研究。以下是针对该研究的学术报告:


研究作者及机构
本研究的主要作者包括Francesco De Logu、Filippo Ugolini、Vincenza Maio、Sara Simi、Antonio Cossu、Daniela Massi等,他们分别来自意大利佛罗伦萨大学、萨萨里大学、比萨国家研究委员会等机构。该研究由意大利癌症研究协会(AIRC)研究小组支持,于2020年8月20日发表在《Frontiers in Oncology》期刊上。

学术背景
本研究属于皮肤癌(cutaneous melanoma)领域,特别是基于人工智能(AI)的病理学图像分析。皮肤黑色素瘤是全球癌症相关死亡的主要原因之一,其发病率逐年上升。然而,皮肤病理学家的短缺以及病理学诊断中的观察者间和观察者内变异性(interobserver and intraobserver variability)导致诊断效率低下,甚至可能出现误诊。因此,开发新的技术以辅助病理学家进行标准化诊断和制定精准治疗方案成为迫切需求。本研究旨在开发一种基于卷积神经网络(CNN, Convolutional Neural Network)的人工智能算法,用于从数字化的病理切片中识别皮肤黑色素瘤,以提升诊断效率和准确性。

研究流程
本研究分为以下几个主要步骤:
1. 样本收集与预处理:研究纳入了100例福尔马林固定石蜡包埋(FFPE, Formalin-Fixed Paraffin-Embedded)的原发性皮肤黑色素瘤样本,这些样本来自佛罗伦萨大学、锡耶纳大学医院和萨萨里国家研究委员会。样本经过病理学重新评估,确认其诊断准确性。
2. 图像数字化与区域提取:使用Pannoramic 250 Flash III和Aperio AT2扫描仪对病理切片进行数字化处理,生成全切片图像(WSIs, Whole-Slide Images)。每张切片中提取8个感兴趣区域(ROIs, Regions of Interest),其中4个代表肿瘤区域,4个代表健康组织。
3. 图像分割与训练数据集构建:将每个ROI分割为299×299像素的非重叠图像块(patches),用于训练和测试CNN模型。研究使用了60张切片的图像块作为训练/验证数据集(1377个健康组织块和2141个黑色素瘤块),另外40张切片的图像块作为测试数据集(791个健康组织块和1122个黑色素瘤块)。
4. CNN模型训练:采用基于预训练的Inception-ResNet-v2架构的CNN模型,通过随机梯度下降(SGD, Stochastic Gradient Descent)算法进行训练。训练过程中,前10层网络被冻结,学习率设置为0.003,训练轮数(epochs)为15。
5. 模型性能评估:使用测试数据集评估模型的分类性能,计算准确率(accuracy)、灵敏度(sensitivity)、特异性(specificity)、F1分数(F1 score)和Cohen’s kappa值。
6. 结果分析与错误分类审查:对错误分类的图像块进行病理学重新评估,分析其可能的误判原因。

主要结果
1. 模型性能:训练后的CNN模型在测试数据集上表现出色,准确率为96.5%,灵敏度为95.7%,特异性为97.7%,F1分数为96.5%,Cohen’s kappa值为0.929,表明模型与病理学家的分类结果具有高度一致性。
2. 错误分类分析:在误判的健康组织块中,部分样本显示出明显的真皮日光弹性组织变性(dermal solar elastosis)或表皮萎缩(epidermal atrophy)等特征;而在误判的黑色素瘤块中,肿瘤细胞通常呈现中度至重度细胞异型性(cytological atypia),且缺乏显著的淋巴细胞浸润(tumor-infiltrating lymphocytes, TILs)。
3. 拓扑分布图:模型在全切片图像上生成分类图,能够清晰区分健康组织和黑色素瘤区域,为病理学家提供直观的辅助诊断工具。

结论
本研究表明,基于深度学习的AI系统能够高效识别皮肤黑色素瘤,其诊断准确性与经验丰富的病理学家相当。该系统不仅可以提高诊断效率,特别是在缺乏专家咨询的情况下,还能减少观察者间的变异性,为临床决策提供有力支持。此外,研究还揭示了图像块尺寸、肿瘤细胞排列方式等因素对模型分类性能的影响,为未来优化AI算法提供了重要参考。

研究亮点
1. 高精度AI模型:本研究的CNN模型在皮肤黑色素瘤识别中表现出色,其准确率和一致性均达到较高水平。
2. 创新性方法:采用预训练的Inception-ResNet-v2架构,结合图像块分割和拓扑分布图生成,为病理学图像分析提供了新思路。
3. 临床应用潜力:该AI系统可辅助病理学家快速识别肿瘤区域,特别是在诊断复杂或边界不清的病例中具有重要价值。
4. 错误分类分析:通过对误判样本的详细审查,揭示了模型在某些病理特征上的局限性,为未来改进提供了方向。

其他有价值内容
研究还提到,未来需要在大规模数据集中验证该算法的性能,并探索其对不同黑色素瘤亚型的分类能力。此外,研究团队计划将该AI系统应用于较薄的黑色素瘤(Breslow厚度 mm)诊断,以进一步评估其广泛适用性。


以上是对该研究的全面介绍,涵盖了其背景、方法、结果、结论及亮点,为相关领域的研究者提供了详细的参考。

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com