基于AI模型的膀胱癌淋巴结转移WSI检测

膀胱癌是全球第十大最常见的癌症。准确的淋巴结分期对指导膀胱癌患者的治疗和预后评估至关重要。约25%的肌层浸润性膀胱癌患者有淋巴结转移，导致预后不良。而辅助化疗可以帮助改善淋巴结转移患者的总体生存期和无病生存期。传统的识别肿瘤转移的诊断过程依赖于病理医生对载玻片的检查，这是一项耗时且劳动密集型的工作。并且，如果涉及微转移，诊断过程会变得更加困难。因此，本研究目的是研发淋巴结转移自动诊断模型。同时，本研究将模型与病理医生比较，探讨模型在临床上的影响和实用性。

本研究的样本来自五家医院的从2013年1月1日至2021年12月31日的998个病人，共7991个WSI，20590个淋巴结。其中，两家医院（中山大学孙逸仙纪念医院和南方医科大学珠江医院）的病人划分到训练集和内部验证集，其他三家医院（中山大学附属第三医院，南方医科大学南方医院，南方医科大学第三附属医院）的病人作为外部验证集。另外，本研究还从验证集中收集了一个挑战性子集，用来比较本模型和病理医生的表现。本研究还收集了乳腺癌和前列腺癌的淋巴结数据集，用于多癌验证。

本研究采用HRNet_w18作为语义分割网络。在训练阶段，淋巴结上的肿瘤组织被标注为1，其他组织被标注为0。采用二元交叉熵损失函数进行端到端训练。由于在数据集中，阴性样本的数量多于阳性样本，本研究采用多种策略来减轻不平衡数据的影响，包括动态平衡样本策略和困难阴性样本挖掘策略。

在推理阶段，对输入的WSI，模型采用滑动窗口划出多个图像块，并将图像块输入HRNet_w18,得到分割预测结果。随后，模型计算WSI中肿瘤像素的数量，以确定WSI的分类置信度。本研究采用F2 score来决定分类阈值，最终分类阈值为0.5。

在多癌测试集中，模型在乳腺癌数据集的AUC为0·943(95% CI 0·918–0·969)，在前列腺癌数据集的AUC为0·922(95% CI 0·884–0·960) （见图3）

在挑战性子集（120个微转移WSI，120个阴性WSI）中，初级病理医生的敏感性为0.906（95%CI 0.871-0.934），特异性为0.967（95%CI 0.942-0.983）；高级病理医生的敏感性为0.947(95%CI 0.919-0.968），特异性为0.989（95%CI 0.972-0.997）。相比之下，本模型比初级和高级病理医生，具有更高的敏感性（0.983[95%CI0.941-0.998]）和相对低的特异性（0.925[0·862–0·965]) 。

在人工智能辅助下，初级和高级病理医生的诊断敏感性均有不同程度地提高。对于初级病理医生，敏感性从没有AI的0.906到有AI的0.953(p<0.0001）；对于高级病理医生，敏感性从0.947到0.986(p=0.00012）。此外，初级病理医生的平均阅片时间从没有AI的186.9s到有AI的143.3s（-23.3%；p<0.0001）；高级病理医生从154.4s到119.7s（-22.5%；p<0.0001）。本模型和病理医生在数据集上的表现见表1。

本研究表明，我们的模型有可能作为一种可靠的淋巴结转移检测诊断工具。我们模型的灵敏度、通用性和自动化性具有高度应用前景，可有效避免误诊，提高病理医生诊断的准确性和效率。

原文链接：https://www.thelancet.com/journals/lanonc/article/PIIS1470-2045(23)00061-X/fulltext