A Novel Framework for the Automated Characterization of Gram-Stained Blood Culture Slides Using a Large-Scale Vision Transformer

要約

この研究では、人工知能を利用したグラム染色全スライド画像 (WSI) の特性評価のための新しいフレームワークを紹介します。
血流感染症の診断のための検査として、グラム染色は患者の治療に役立つ重要な初期データを提供します。
グラム染色の迅速かつ信頼性の高い分析は、臨床転帰の向上と確実に関連していることが示されており、グラム染色分析を自動化するための改良されたツールの必要性が強調されています。
この研究では、グラム染色 WSI 分類用の新しいトランスフォーマー ベースのモデルを開発しました。このモデルは、パッチ レベルの手動アノテーションを必要としないため、以前の畳み込みニューラル ネットワーク (CNN) ベースの方法よりも大規模なデータセットに対して拡張性が高くなります。
また、ダートマス ヒッチコック メディカル センター (レバノン、ニューハンプシャー、米国) の大規模なグラム染色データセットを導入してモデルを評価し、グラム染色 WSI の 5 つの主要カテゴリ (クラスター内のグラム陽性球菌、グラム陽性球菌) の分類を調査します。
ペア/チェーンの球菌、グラム陽性桿菌、グラム陰性桿菌、および細菌のないスライド。
私たちのモデルは、475 枚のスライド データセットに対する 5 重ネスト相互検証を使用して、0.858 (95% CI: 0.805, 0.905) の分類精度と 0.952 (95% CI: 0.922, 0.976) の AUC を達成し、次の可能性を示しています。
グラム染色分類のための大規模トランスモデル。
さらに、追加の微調整を行わずに外部データセットで強力なパフォーマンスを達成する、トレーニング済みモデルの一般化可能性を実証します。

要約(オリジナル)

This study introduces a new framework for the artificial intelligence-assisted characterization of Gram-stained whole-slide images (WSIs). As a test for the diagnosis of bloodstream infections, Gram stains provide critical early data to inform patient treatment. Rapid and reliable analysis of Gram stains has been shown to be positively associated with better clinical outcomes, underscoring the need for improved tools to automate Gram stain analysis. In this work, we developed a novel transformer-based model for Gram-stained WSI classification, which is more scalable to large datasets than previous convolutional neural network (CNN) -based methods as it does not require patch-level manual annotations. We also introduce a large Gram stain dataset from Dartmouth-Hitchcock Medical Center (Lebanon, New Hampshire, USA) to evaluate our model, exploring the classification of five major categories of Gram-stained WSIs: Gram-positive cocci in clusters, Gram-positive cocci in pairs/chains, Gram-positive rods, Gram-negative rods, and slides with no bacteria. Our model achieves a classification accuracy of 0.858 (95% CI: 0.805, 0.905) and an AUC of 0.952 (95% CI: 0.922, 0.976) using five-fold nested cross-validation on our 475-slide dataset, demonstrating the potential of large-scale transformer models for Gram stain classification. We further demonstrate the generalizability of our trained model, which achieves strong performance on external datasets without additional fine-tuning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google