Слабо контролируемое выявление и классификация базальноклеточного рака с использованием графика

Том 13 научных отчетов, номер статьи: 7555 (2023) Цитировать эту статью

328 Доступов

3 Альтметрика

Подробности о метриках

Высокий уровень заболеваемости базальноклеточной карциномой (БКРК) создает значительную нагрузку на патологоанатомические лаборатории. Стандартный диагностический процесс занимает много времени и подвержен различиям между патологами. Несмотря на применение подходов глубокого обучения для классификации других типов рака, существует ограниченное количество литературы по применению преобразователей зрения для BCC на целых слайдовых изображениях (WSI). Всего 1832 WSI из 479 BCC, разделенных на обучающие и проверочные (1435 WSI из 369 BCC) и тестовые (397 WSI из 110 BCC) наборы, были слабо аннотированы на четыре подтипа агрессивности. Мы использовали комбинацию графовой нейронной сети и преобразователя зрения, чтобы (1) обнаружить наличие опухоли (два класса), (2) классифицировать опухоль на подтипы низкого и высокого риска (три класса) и (3) классифицировать четыре подтипы агрессивности (пять классов). Используя ансамблевую модель, состоящую из моделей перекрестной проверки, точность 93,5%, 86,4% и 72% была достигнута для двух, трех и пяти классификаций соответственно. Эти результаты показывают высокую точность как при обнаружении опухолей, так и при классификации ОЦК. Использование автоматизированного анализа WSI может повысить эффективность рабочего процесса.

Базальноклеточная карцинома является наиболее распространенной формой рака кожи у человека. Заболеваемость такая же высокая, как и заболеваемость всеми другими видами рака вместе взятыми1. Кроме того, число случаев БКР растет во всем мире2,3,4. Хотя метастазы и смерть редки, ОЦК могут вызывать значительную заболеваемость из-за агрессивного и деструктивного местного роста5.

ОЦК представляют собой гетерогенную группу опухолей с разным характером роста. На международном уровне ОЦК классифицируются на две широкие категории на основе гистопатологических особенностей: подтипы низкого и высокого риска6. Эти категории могут быть далее классифицированы на подклассы. Шведские патологи, например, классифицируют ОЦК в соответствии с «моделью Саббатсберга», которая включает три категории риска: (а) «малоагрессивные» подтипы, которые далее делятся на поверхностные (тип Ib) и узловые (тип Ia) и (b) ) «среднеагрессивные» (тип II), включающие менее агрессивные инфильтративные подтипы, которые растут более четко и поверхностно по сравнению с высокоагрессивными опухолями и (в) «высокоагрессивные» (тип III), более Подтипы агрессивной, инфильтративной и морфеной форм7. Правильная оценка подтипа имеет решающее значение для планирования соответствующего лечения. Тем не менее, существует значительная вариабельность между патологами при классификации опухолей8 и указании подтипа9,10.

Более того, учитывая трудоемкость процесса оценки гистологических препаратов в сочетании с растущим количеством образцов, задерживает диагностику и увеличивает затраты11. Чтобы сократить время диагностики и различия между наблюдателями, активно исследуются подходы глубокого обучения12. Глубокое обучение позволяет реализовать компьютерный анализ изображений в патологии, что дает возможность повысить точность классификации и уменьшить вариабельность между наблюдателями13,14. Интересно, что могут быть выявлены даже неизвестные морфологические особенности, связанные с риском метастазирования, безрецидивной выживаемостью и прогнозом15,16.

В ранних исследовательских работах методы компьютерной гистологии требовали пиксельных аннотаций, т. е. выделения патологами определенных областей на WSI17. Однако использование попиксельной аннотации требует много времени. Кроме того, такие подходы не распространяются на реальные данные18. В качестве альтернативы широко распространенным методом классификации WSI стала система обучения со слабым контролем. Распространенным методом обучения со слабым учителем является многоэкземплярное обучение (MIL)19. Этот подход позволяет использовать метки уровня WSI, т. е. метки, не связанные с конкретным регионом, без потери производительности20. Этот метод рассматривает набор экземпляров (исправлений WSI) как пакет. Простой случай положительного патча делает сумку (WSI) положительной, в противном случае она рассматривается как отрицательная. MIL требует, чтобы WSI был разделен на набор исправлений, часто без необходимости курирования данных18.