An ensemble deep learning approach to detect tumors on Mohs micrographic surgery slides

要約

MOHSの顕微鏡手術（MMS）は、高リスクの非肝腫皮膚がんを除去するためのゴールドスタンダード技術ですが、術中組織病理学的検査では、かなりの時間、努力、専門性が必要です。
この研究の目的は、MOHSスライドの基底細胞癌（BCC）とアーティファクトを検出するための深い学習モデルを開発することです。
この研究では、BCCSの51人の患者から合計731人のMOHSスライドが使用され、91人が腫瘍を含み、腫瘍のない640が非腫瘍として定義されていました。
データセットは、スライド上の腫瘍と非腫瘍領域をセグメント化するU-Netベースのモデルをトレーニングするために採用されました。
セグメント化されたパッチは、スライド画像全体（WSI）の予測を生成するための腫瘍、または非腫瘍として分類されました。
セグメンテーションフェーズでは、ディープラーニングモデルの成功は、0.70および0.67の値を持つDICEスコアを使用して測定されました。それぞれ腫瘍と非腫瘍で0.98および0.96の曲線下面積（AUC）スコアがありました。
腫瘍分類の場合、パッチベースの検出のために0.98のAUC、およびスライドベースの検出で0.91のAUCがテストデータセットで取得されました。
MOHSスライドで腫瘍と非腫瘍を検出できるAIシステムを提示し、成功しました。
深い学習は、MOHS外科医と皮膚病理学者をより正確な決定を下すのに役立ちます。

要約(オリジナル)

Mohs micrographic surgery (MMS) is the gold standard technique for removing high risk nonmelanoma skin cancer however, intraoperative histopathological examination demands significant time, effort, and professionality. The objective of this study is to develop a deep learning model to detect basal cell carcinoma (BCC) and artifacts on Mohs slides. A total of 731 Mohs slides from 51 patients with BCCs were used in this study, with 91 containing tumor and 640 without tumor which was defined as non-tumor. The dataset was employed to train U-Net based models that segment tumor and non-tumor regions on the slides. The segmented patches were classified as tumor, or non-tumor to produce predictions for whole slide images (WSIs). For the segmentation phase, the deep learning model success was measured using a Dice score with 0.70 and 0.67 value, area under the curve (AUC) score with 0.98 and 0.96 for tumor and non-tumor, respectively. For the tumor classification, an AUC of 0.98 for patch-based detection, and AUC of 0.91 for slide-based detection was obtained on the test dataset. We present an AI system that can detect tumors and non-tumors in Mohs slides with high success. Deep learning can aid Mohs surgeons and dermatopathologists in making more accurate decisions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google