Using Whole Slide Image Representations from Self-Supervised Contrastive Learning for Melanoma Concordance Regression

要約

メラノーマは他のいくつかの皮膚癌よりもまれにしか発生しませんが、診断を見逃すと、患者の長期生存率は非常に低くなります。
メラノーマと良性のメラノサイト病変を区別する際、病理学者の間で高い不一致率があるため、診断は複雑です。
潜在的な一致情報を医療提供者に提供するツールは、困難な黒色腫症例の診断、予後、および治療上の意思決定に役立つ可能性があります。
デジタル化された全スライド画像 (WSI) から、浸潤性黒色腫またはその場での黒色腫の一致率を予測できる黒色腫一致回帰ディープ ラーニング モデルを提示します。
メラノーマの一致に対応する顕著な特徴は、対照的な学習方法である SimCLR を使用して、自己管理された方法で学習されました。
4 つの異なる病理検査室から得られた 10,895 の標本からランダムにサンプリングされた 83,356 の WSI タイルを使用して、SimCLR 特徴抽出器をトレーニングしました。
3 つの病理学研究室から入手可能な一致グラウンド トゥルース アノテーションを使用して、990 検体で別の黒色腫一致回帰モデルをトレーニングし、211 検体でモデルをテストしました。
テスト セットで 0.28 +/- 0.01 の二乗平均平方根誤差 (RMSE) を達成しました。
また、予測一致率を悪性分類器として使用した場合のパフォーマンスを調査し、テスト セットでそれぞれ 0.85 +/- 0.05 および 0.61 +/- 0.06 の精度と再現率を達成しました。
これらの結果は、専門家パネルに相談した結果を予測し、専門家が特定の診断に同意する程度に基づいてスコアを提供できる人工知能 (AI) システムを構築するための重要な最初のステップです。
このようなシステムは、追加の検査や、追加の染色や遺伝子検査の注文などの他のアクションを提案するために使用できます。

要約(オリジナル)

Although melanoma occurs more rarely than several other skin cancers, patients’ long term survival rate is extremely low if the diagnosis is missed. Diagnosis is complicated by a high discordance rate among pathologists when distinguishing between melanoma and benign melanocytic lesions. A tool that provides potential concordance information to healthcare providers could help inform diagnostic, prognostic, and therapeutic decision-making for challenging melanoma cases. We present a melanoma concordance regression deep learning model capable of predicting the concordance rate of invasive melanoma or melanoma in-situ from digitized Whole Slide Images (WSIs). The salient features corresponding to melanoma concordance were learned in a self-supervised manner with the contrastive learning method, SimCLR. We trained a SimCLR feature extractor with 83,356 WSI tiles randomly sampled from 10,895 specimens originating from four distinct pathology labs. We trained a separate melanoma concordance regression model on 990 specimens with available concordance ground truth annotations from three pathology labs and tested the model on 211 specimens. We achieved a Root Mean Squared Error (RMSE) of 0.28 +/- 0.01 on the test set. We also investigated the performance of using the predicted concordance rate as a malignancy classifier, and achieved a precision and recall of 0.85 +/- 0.05 and 0.61 +/- 0.06, respectively, on the test set. These results are an important first step for building an artificial intelligence (AI) system capable of predicting the results of consulting a panel of experts and delivering a score based on the degree to which the experts would agree on a particular diagnosis. Such a system could be used to suggest additional testing or other action such as ordering additional stains or genetic tests.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google