Assessing the Performance of Deep Learning for Automated Gleason Grading in Prostate Cancer

要約

前立腺がんは主要な健康上の懸念事項であり、高度な診断ツールが求められています。
この研究では、デジタル病理学と人工知能を利用して、従来のアーキテクチャと最近のアーキテクチャの比較に焦点を当てて、前立腺がんにおける自動グリソン等級付けのための 11 のディープ ニューラル ネットワーク アーキテクチャの可能性を探ります。
AUCMEDI フレームワークに基づく標準化された画像分類パイプラインにより、34,264 個の注釈付き組織タイルで構成される社内データセットを使用した堅牢な評価が容易になりました。
結果は、アーキテクチャによって感度が異なることを示し、ConvNeXt が最も優れたパフォーマンスを示しました。
特に、密接に関連するグリーソン グレードの差別化に課題はあったものの、新しいアーキテクチャは優れたパフォーマンスを達成しました。
ConvNeXt モデルは、複雑さと一般化可能性の間のバランスを学習することができました。
全体として、この研究は強化されたグリーソン分類システムの基礎を築き、前立腺がんの診断効率を向上させる可能性があります。

要約(オリジナル)

Prostate cancer is a dominant health concern calling for advanced diagnostic tools. Utilizing digital pathology and artificial intelligence, this study explores the potential of 11 deep neural network architectures for automated Gleason grading in prostate carcinoma focusing on comparing traditional and recent architectures. A standardized image classification pipeline, based on the AUCMEDI framework, facilitated robust evaluation using an in-house dataset consisting of 34,264 annotated tissue tiles. The results indicated varying sensitivity across architectures, with ConvNeXt demonstrating the strongest performance. Notably, newer architectures achieved superior performance, even though with challenges in differentiating closely related Gleason grades. The ConvNeXt model was capable of learning a balance between complexity and generalizability. Overall, this study lays the groundwork for enhanced Gleason grading systems, potentially improving diagnostic efficiency for prostate cancer.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google