A Robust Deep Learning Method with Uncertainty Estimation for the Pathological Classification of Renal Cell Carcinoma based on CT Images

要約

目的 放射線科医が CT 画像に基づいて腎細胞癌 (RCC) の病理学的サブタイプを術前に区別できるように、不確かさの推定を組み込んだ深層学習ベースの診断モデルを開発および検証します。
方法 病理学的にRCCであることが証明された連続患者668名からのデータが、センター1から遡及的に収集された。5分割交差検証を使用することにより、不確実性推定を組み込んだ深層学習モデルが開発され、RCCのサブタイプを明細胞RCC（ccRCC）、乳頭状RCCに分類した
(pRCC)、および嫌色素性RCC (chRCC)。
センター 2 の 78 人の患者からなる外部検証セットは、モデルのパフォーマンスをさらに評価しました。
結果 5 分割交差検証では、ccRCC、pRCC、chRCC の分類におけるモデルの受信者動作特性曲線下面積 (AUC) は 0.868 (95% CI: 0.826-0.923)、0.846 (95% CI:
それぞれ、0.812-0.886)、0.839 (95% CI: 0.802-0.88)でした。
外部検証セットでは、ccRCC、pRCC、chRCC の AUC は 0.856 (95% CI: 0.838-0.882)、0.787 (95% CI: 0.757-0.818)、および 0.793 (95% CI: 0.758-0.831) でした。
それぞれ。
結論 開発された深層学習モデルは、RCC の病理学的サブタイプの予測において堅牢なパフォーマンスを実証しましたが、組み込まれた不確実性により、腎腫瘍患者の臨床意思決定を支援するために重要であるモデルの信頼性を理解することの重要性が強調されました。
臨床関連性に関する記述 不確実性の推定と統合された当社の深層学習アプローチは、臨床医に二重の利点を提供します。正確な RCC サブタイプの予測と診断の信頼性の参照によって補完され、RCC 患者の十分な情報に基づいた意思決定が促進されます。

要約(オリジナル)

Objectives To develop and validate a deep learning-based diagnostic model incorporating uncertainty estimation so as to facilitate radiologists in the preoperative differentiation of the pathological subtypes of renal cell carcinoma (RCC) based on CT images. Methods Data from 668 consecutive patients, pathologically proven RCC, were retrospectively collected from Center 1. By using five-fold cross-validation, a deep learning model incorporating uncertainty estimation was developed to classify RCC subtypes into clear cell RCC (ccRCC), papillary RCC (pRCC), and chromophobe RCC (chRCC). An external validation set of 78 patients from Center 2 further evaluated the model’s performance. Results In the five-fold cross-validation, the model’s area under the receiver operating characteristic curve (AUC) for the classification of ccRCC, pRCC, and chRCC was 0.868 (95% CI: 0.826-0.923), 0.846 (95% CI: 0.812-0.886), and 0.839 (95% CI: 0.802-0.88), respectively. In the external validation set, the AUCs were 0.856 (95% CI: 0.838-0.882), 0.787 (95% CI: 0.757-0.818), and 0.793 (95% CI: 0.758-0.831) for ccRCC, pRCC, and chRCC, respectively. Conclusions The developed deep learning model demonstrated robust performance in predicting the pathological subtypes of RCC, while the incorporated uncertainty emphasized the importance of understanding model confidence, which is crucial for assisting clinical decision-making for patients with renal tumors. Clinical relevance statement Our deep learning approach, integrated with uncertainty estimation, offers clinicians a dual advantage: accurate RCC subtype predictions complemented by diagnostic confidence references, promoting informed decision-making for patients with RCC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google