Преодоляване на пропастта между радиологията на простатата и патологията чрез машинно обучение

Тази статия е публикувана първоначално тук

С физ. 2022 28 май. doi: 10.1002 / mp.15777. Онлайн преди печат.

РЕЗЮМЕ

ИСТОРИЯ: Ракът на простатата остава вторият най-смъртоносен рак за американските мъже въпреки клиничния напредък. Понастоящем магнитно-резонансната томография (ЯМР) се счита за най-чувствителния неинвазивен образен метод, който позволява визуализация, откриване и локализация на рак на простатата и все по-често се използва за насочване на целеви биопсии за диагностика на рак на простатата. Въпреки това, неговата полезност остава ограничена поради високия процент на фалшиви положителни и фалшиви отрицателни резултати, както и ниските споразумения между читателите.

ЦЕЛ: Методите за машинно обучение за откриване и локализиране на ЯМР на рак на простатата могат да помогнат за стандартизиране на интерпретациите на рентгенолога. Съществуващите методи за машинно обучение обаче се различават не само в архитектурата на модела, но и в стратегиите за етикетиране на истината, използвани за обучение на модели. Сравняваме различни стратегии за етикетиране и ефектите, които те имат върху производителността на различни модели на машинно обучение за откриване на рак на простатата при ЯМР.

МЕТОДИ: Четири различни модела на дълбоко обучение (SPCNet, U-Net, разклонена U-Net и DeepLabv3 +) бяха обучени за откриване на рак на простатата чрез ЯМР при използване на 75 пациенти с радикална простатектомия и оценени при използване на 40 пациенти с радикална простатектомия и 275 пациенти с целенасочена биопсия. Всеки модел на дълбоко обучение е обучен с четири различни типа етикети: етикети за патологично потвърдени рентгенологични етикети, етикети за патолог върху хистопатологични изображения на целия план и цифрови патологични етикети на ниво лезия и ниво на пиксел (по-рано валидиран алгоритъм за дълбоко обучение на хистопатологични изображения за прогнозиране на пиксели модели на ниво Gleason) върху цялостни хистопатологични изображения. Етикетите на патолога и дигиталния патолог (наричани заедно като етикети за патология) бяха картографирани върху предоперативния ЯМР с помощта на автоматизирана платформа за регистрация на ЯМР-хистопатология.

РЕЗУЛТАТИ: Радиологичните етикети пропуснаха ракови заболявания (ROC-AUC: 0,75 – 0,84), имаха по-нисък обем на лезиите (~ 68% от патологичните лезии) и по-ниско припокриване на Dice (0,24 – 0,28) в сравнение с етикетите за патология. Следователно, моделите за машинно обучение, обучени с етикети на радиолог, също показват по-ниска производителност в сравнение с моделите, обучени с етикети за патология. Етикетите на дигиталните патологи показват високо съответствие с етикетите на патолога за рак (лезия ROC-AUC: 0,97 – 1, лезия Dice: 0,75 – 0,93). Моделите за машинно обучение, обучени с етикети на дигитални патологи, имат най-висок процент на откриване на лезии в групата на радикална простатектомия (агресивна лезия ROC-AUC: 0,91 – 0,94) и имат генерализирана и сравнима производителност с обучените модели с етикет на патолог в целевата група за биопсия (агресивна лезия ROC-AUC: 0,87 – 0,88), независимо от архитектурата на дълбоко обучение. Освен това, моделите за машинно обучение, обучени с етикети за цифрови патологи на ниво пиксел, успяха селективно да идентифицират агресивни и лениви компоненти на рака в смесени лезии на ЯМР, което не е възможно с нито един тип етикет, анотиран от хора.

ЗАКЛЮЧЕНИЯ: Моделите за машинно обучение за интерпретация на ЯМР на простатата, които са обучени с етикети на дигитални патологи, показват по-висока или сравнима производителност с модели, обучени от патолог, както при радикална простатектомия, така и при целева биопсия. Етикетите на дигиталните патологи могат да намалят предизвикателствата, свързани с човешките анотации, включително труд, време, променливост между и в рамките на четеца, и могат да помогнат за преодоляване на пропастта между радиологията на простатата и патологията, като позволяват обучението на надеждни модели за машинно обучение за откриване и локализиране на рак на простатата на ЯМР. Тази статия е защитена с авторски права. Всички права запазени.

PMID:35633505 | DOI:10,1002 / т.т.15777

.