Computer-assisted mitotic count using a deep learning–based algorithm improves interobserver repro

Computer-assisted mitotic count using a deep learning–based algorithm improves interobserver reproducibility and accuracy
使用深度学习算法的计算机辅助有丝分裂计数提高了观察者之间的重复性和准确性

摘要

作者指出需要人工智能辅助病理学家进行分类，来确保可靠性

有丝分裂计数（MC）是预测恶性肿瘤的重要组织学参数。然而，由于在选择感兴趣区域（MC-ROI）和识别或分类有丝分裂图（MF）方面存在困难，它在观察者之间和观察者之间存在差异。人工智能领域的最新进展使得高性能算法的发展成为可能，从而提高MC的标准化。由于算法预测并非完美无缺，病理学家的计算机辅助审查可能确保可靠性。在本研究中，我们将部分（MC-ROI预选）和完全（MF候选的额外可视化和算法置信值的显示）计算机辅助MC分析与23位病理学家对50例犬皮肤肥大细胞肿瘤（ccMCT）的全切片图像进行的常规（无辅助）MC分析进行了比较。算法预测旨在帮助病理学家检测有丝分裂热点位置，减少被忽略的MF，并改进容易混淆的细胞的分类。与无辅助方法（ICC=0.70）相比，在计算机辅助下，MC的观察者间一致性显著增加（观察者间相关系数，ICC=0.92）。在计算机辅助下，对预后分层的分类具有较高的准确性。算法预选的热点MC ROI的MC始终高于手动选择的MC ROI。与真实标签（用免疫组化方法检测磷酸组蛋白H3）相比，当使用计算机辅助时，病理学家在检测单个MF方面的表现得到增强（F1得分0.68增加到0.79），假阴性率降低了38%。这项研究的结果表明，计算机辅助可能会使ccMCT中的MCs更具再现性和准确性。

引言

肿瘤细胞的增殖参数与许多肿瘤类型的患者预后相关，包括犬皮肤肥大细胞肿瘤（ccMCT），并且是治疗建议的相关标准，这些建议带来了可观的经济和生活质量影响。6,9,24,37,42有丝分裂计数（MC）是唯一可以在苏木精和伊红（HE）染色的标准组织切片中快速有效地测定的增殖标记物，因此在每种潜在的侵袭性肿瘤类型中都进行常规评估。28,37对于ccMCT，MC被用作单独的参数9,35,41或作为肿瘤分级系统的一部分。27如果用作单独的预后参数，在不同对于ccMCT相关死亡的研究中，MC从0至5以及$MC\ge 5$的两级系统的评估结果为，敏感性分别为