RACR-MIL: Rank-aware contextual reasoning for weakly supervised grading of squamous cell carcinoma using whole slide images
Das Papier schlägt RACR-MIL vor, ein schwach überwachtes, auf Aufmerksamkeit basierendes Multiple-Instance-Learning-Framework, das einen hybriden WSI-Graphen und Rangordnungseinschränkungen nutzt, um eine erstklassige Generalisierung und Genauigkeit bei der Graduierung von Plattenepithelkarzinomen über mehrere anatomische Stellen hinweg zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Krebsdiagnose beginnt oft damit, dass ein Pathologe durch ein Mikroskop auf einen dünnen Gewebeschnitt blickt und nach subtilen Hinweisen sucht, die offenbaren könnten, wie aggressiv ein Tumor sein könnte. Für eine häufige Art von Haut- und Organkrebs, das Plattenepithelkarzinom, ist diese Aufgabe äußerst schwierig. Die Krankheit sieht nicht überall gleich aus; eine einzige Probe kann Bereiche enthalten, die langsam wachsen, und andere, die sich schnell ausbreiten, alles miteinander vermischt. Traditionell ordnen Ärzte der gesamten Probe einen Grad zu, basierend auf dem am schlimmsten aussehenden Bereich, den sie finden können – ein Prozess, der stark auf menschlicher Erfahrung beruht und von Arzt zu Arzt variieren kann. Um dies zu standardisieren, haben sich Wissenschaftler der künstlichen Intelligenz zugewandt und beigebracht, wie Computer Ganzschnittbilder von Gewebe lesen. Es ist jedoch schwierig, einem Computer beizubringen, zwischen verschiedenen Schweregraden zu unterscheiden, da dem Computer normalerweise nur die endgültige Diagnose für den gesamten Schliff gezeigt wird, ohne ihm genau zu sagen, welche winzigen Stellen innerhalb dieses Schliffs am gefährlichsten sind.
Ein Forschungsteam hat einen neuen Ansatz entwickelt, um dieses Problem zu lösen, indem es ein System erschuf, das die Art und Weise nachahmt, wie ein menschlicher Experte diese Tumoren bewertet. Anstatt jedes winzige Stück des Gewebebildes als isolierte Tatsache zu behandeln, erstellt ihre Methode, genannt RACR-MIL, eine Karte darüber, wie verschiedene Teile des Gewebes zueinander in Beziehung stehen. Sie versteht, dass das Verhalten einer Krebszelle von ihren Nachbarn und ihrer weiteren Umgebung abhängt. Noch wichtiger ist, dass das System darauf ausgelegt ist, die gefährlichsten Bereiche zu priorisieren. Genau wie ein menschlicher Pathologe weiß, dass ein kleiner Fleck hochaggressiver Zellen den Schweregrad des gesamten Falles definieren kann, wird diese KI darauf trainiert, nach diesen spezifischen Hochrisikoregionen zu suchen und diese im Vergleich zu den ruhigeren, weniger gefährlichen Bereichen stärker zu gewichten. Durch die Kombination eines tiefen Verständnisses des Gewebekontexts mit einer strikten Regel, sich auf die schlimmsten Teile zu konzentrieren, erreicht das System eine Genauigkeit, die bisherige Methoden übertrifft.
Die Forscher testeten diesen neuen Rahmen auf tausenden Gewebeproben von Patienten mit Plattenepithelkarzinomen der Haut, der Lunge sowie der Kopf- und Halsregion. Sie verglichen ihr System mit einer breiten Palette bestehender Werkzeuge der künstlichen Intelligenz, einschließlich solcher, die einfach nur einzelne Gewebeabschnitte betrachten oder die versuchen, diese auf grundlegendere Weise miteinander zu verbinden. Die Ergebnisse waren eindeutig: Das neue System übertraf seine Konkurrenten konsequent. Es verbesserte die Genauigkeit der Graduierung um eine signifikante Marge und identifizierte den Schweregrad des Krebses in Fällen korrekt, in denen andere Methoden Schwierigkeiten hatten. Vielleicht am wichtigsten war, dass es besser darin war, die exakten Standorte der gefährlichsten Tumorzellen zu finden. In Tests lokalisierte es diese kritischen Regionen bis zu zehn Prozent effektiver als die nächstbesten Methoden, ein Unterschied, der für einen Arzt, der versucht, einen Behandlungsplan zu erstellen, entscheidend sein könnte.
Was diesen Ansatz einzigartig macht, ist die Art und Weise, wie er die Komplexität des Gewebes handhabt. Das System konstruiert zwei verschiedene Arten von Verbindungen zwischen den winzigen Bildsegmenten. Eine Art verbindet Segmente, die physisch nah beieinander liegen, und erfasst so die unmittelbare Nachbarschaft, in der Zellen interagieren, wie etwa die Art und Weise, wie ein Tumor gegen das umliegende gesunde Gewebe drückt. Die andere Art verbindet Segmente, die sich ähnlich sehen, selbst wenn sie auf dem Schliff weit voneinander entfernt sind, was dem System ermöglicht, Muster des Krebswachstums zu erkennen, die über die Probe verstreut sein könnten. Die Forscher fanden heraus, dass die Verwendung beider Arten von Verbindungen zusammen ein viel reichhaltigeres Bild lieferte als die Verwendung von nur einer davon. Darüber hinaus enthält das System einen spezifischen Mechanismus, der es zwingt, den Segmenten, die Anzeichen einer schweren Erkrankung zeigen, mehr Aufmerksamkeit zu schenken. Dies stellt sicher, dass die endgültige Diagnose durch die kritischsten Beweise getrieben wird, anstatt sich im durchschnittlichen Erscheinungsbild des gesamten Schliffs zu verlieren.
Um zu sehen, ob diese Technologie tatsächlich in einer echten Klinik helfen könnte, luden die Forscher zwei erfahrene Pathologen ein, eine Reihe von Fällen mit und ohne die Hilfe der KI zu begutachten. In der Mehrheit der Fälle fanden die Ärzte, dass das System ihnen half, effizienter zu arbeiten. Es hob erfolgreich die aggressivsten Teile der Tumoren hervor, die die Ärzte anfangs übersehen oder unterschätzt hatten, was sie dazu veranlaste, ihre Diagnosen zu einem genaueren, höheren Grad zu korrigieren. In einem Fall identifizierte das System einen kleinen, hochgefährlichen Bereich innerhalb eines größeren, weniger aggressiven Tumors, den der Arzt übersehen hatte. Obwohl es einige Fälle gab, in denen die Fokussierung des Systems auf die schlimmsten Bereiche dazu führte, dass es einige Nuancen des umliegenden Gewebes übersah, war das allgemeine Feedback positiv. Die Ärzte hatten das Gefühl, dass das Werkzeug als zuverlässiger Assistent fungierte, der sie auf die wichtigsten Teile des Schliffs hinwies und die Zeit verkürzte, die benötigt wurde, um zu einem sicheren Schluss zu kommen.
Die Studie untersuchte auch, wie gut das System mit Daten funktionieren würde, die es noch nie zuvor gesehen hatte, wie etwa Gewebeproben aus anderen Krankenhäusern oder Proben, die mit anderen Maschinen gescannt wurden. Der neue Rahmen erwies sich als bemerkenswert robust und behielt seine hohe Leistungsfähigkeit bei, selbst wenn sich die Daten änderten. Dies deutet darauf hin, dass das System die grundlegenden Regeln des Verhaltens dieser Krebsarten gelernt hat, anstatt nur die spezifischen Bilder auswendig zu lernen, mit denen es trainiert wurde. Die Forscher merkten an, dass das System nicht perfekt ist und weiterhin menschliche Aufsicht erfordert, aber es stellt einen bedeutenden Schritt nach vorn dar, um die Krebsgraduierung konsistenter und zuverlässiger zu machen. Indem sie die Logik des Computers mit der Art und Weise in Einklang bringen, wie menschliche Experten Informationen priorisieren, bietet diese Arbeit einen vielversprechenden Weg zu besseren, schnelleren und genaueren Krebsdiagnosen für Patienten auf der ganzen Welt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.