RACR-MIL: Rank-aware contextual reasoning for weakly supervised grading of squamous cell carcinoma using whole slide images
Het artikel stelt RACR-MIL voor, een op aandacht gebaseerd multiple-instance learning-framework met zwakke supervisie dat een hybride WSI-graaf en rangordebeperkingen gebruikt om een state-of-the-art generalisatie en nauwkeurigheid te bereiken bij het graderen van plaveiselcelcarcinoom over meerdere anatomische locaties heen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De diagnose van kanker begint vaak met een patholoog die door een microscoop naar een dun weefselvlak kijkt, op zoek naar subtiele aanwijzingen die onthullen hoe agressief een tumor kan zijn. Voor een veelvoorkomend type huid- en orgaankanker, genaamd plaveiselcelcarcinoom, is deze taak berucht moeilijk. De ziekte ziet er niet overal hetzelfde uit; een enkel monster kan gebieden bevatten die langzaam groeien en andere die snel uitzaaien, allemaal door elkaar gemengd. Traditioneel wijzen artsen een graad toe aan het gehele monster op basis van het slechtst uitziende gebied dat ze kunnen vinden, een proces dat zwaar leunt op menselijke ervaring en kan variëren van de ene arts naar de andere. Om dit te standaardiseren, hebben wetenschappers de stap naar kunstmatige intelligentie gezet door computers te leren om volledige weefselbeelden (whole-slide images) te lezen. Het is echter lastig om een computer te leren onderscheid te maken tussen verschillende gradaties van ernst, omdat de computer meestal alleen de uiteindelijke diagnose voor de hele slide krijgt te zien, zonder precies te weten welke minuscule plekjes binnen die slide het meest gevaarlijk zijn.
Een team van onderzoekers heeft een nieuwe aanpak ontwikkeld om dit probleem op te lossen, waarbij een systeem is gecreëerd dat de manier nabootst waarop een menselijke expert denkt bij het graderen van deze tumoren. In plaats van elk minuscuul stukje van het weefselbeeld als een geïsoleerd feit te behandelen, bouwt hun methode, genaamd RACR-MIL, een kaart van hoe verschillende delen van het weefsel met elkaar in verband staan. Het begrijpt dat het gedrag van een kankercel afhangt van zijn buren en de bredere omgeving. Belangrijker nog, het systeem is ontworpen om de meest gevaarlijke gebieden prioriteit te geven. Net zoals een menselijke patholoog weet dat een klein plekkje van zeer agressieve cellen de ernst van het gehele geval kan bepalen, is deze AI getraind om naar die specifieke hoog-risicogebieden te zoeken en deze zwaarder mee te wegen dan de rustigere, minder gevaarlijke gebieden. Door een diep begrip van de weefselcontext te combineren met een strikte regel om zich op de slechtste delen te concentreren, bereikt het systeem een nauwkeurigheidsniveau dat eerdere methoden overtreft.
De onderzoekers testten dit nieuwe framework op duizenden weefselmonsters van patiënten met plaveiselcelcarcinoom in de huid, longen en de hoofd- en halsregio. Ze vergeleken hun systeem met een breed scala aan bestaande kunstmatige intelligentie-instrumenten, inclusclusief die simpelweg naar individuele weefselpatches kijken of die proberen ze op een meer basale manier met elkaar te verbinden. De resultaten waren duidelijk: het nieuwe systeem presteerde consequent beter dan zijn concurrenten. Het verbeterde de nauwkeurigheid van de gradering met een aanzienlijke marge en identificeerde de ernst van de kanker correct in gevallen waar andere methoden moeite hadden. Misschien wel het belangrijkste is dat het beter was in het vinden van de exacte locaties van de meest gevaarlijke tumorcellen. In tests lokaliseerde het deze kritieke regio's tot tien procent effectiever dan de op één na beste methoden, een verschil dat van vitaal belang kan zijn voor een arts bij het beslissen over een behandelplan.
Wat deze aanpak uniek maakt, is hoe het de complexiteit van het weefsel aanpakt. Het systeem construeert twee verschillende soorten verbindingen tussen de kleine beeldpatches. Het ene type verbindt patches die fysiek dicht bij elkaar liggen, waardoor de directe omgeving wordt vastgelegd waarin cellen interageren, zoals hoe een tumor tegen het omliggende gezonde weefsel duwt. Het andere type verbindt patches die er hetzelfde uitzien, zelfs als ze ver uit elkaar liggen op de slide, waardoor het systeem patronen van kankergroei kan herkennen die verspreid over het monster kunnen liggen. De onderzoekers ontdekten dat het gebruik van beide typen verbindingen samen een veel rijker beeld gaf dan het gebruik van één van beide alleen. Bovendien bevat het systeem een specifiek mechanisme dat het dwingt om meer aandacht te besteden aan patches die tekenen van ernstige ziekte vertonen. Dit zorgt ervoor dat de uiteindelijke diagnose wordt gedreven door het meest kritieke bewijs, in plaats van verloren te gaan in het gemiddelde uiterlijk van de hele slide.
Om te zien of deze technologie daadwerkelijk in een echte kliniek zou kunnen helpen, nodigden de onderzoekers twee expert-pathologen uit om een reeks gevallen te beoordelen met en zonder de hulp van de AI. In de meerderheid van de gevallen vonden de artsen dat het systeem hen efficiënter liet werken. Het slaagde erin om de meest agressieve delen van de tumoren te highlighten die de artsen aanvankelijk hadden gemist of onderschat, wat hen aanzette tot het herzien van hun diagnoses naar een accuratere, hogere graad. In één instantie identificeerde het systeem een klein, zeer gevaarlijk gebied binnen een grotere, minder agressieve tumor dat de arts over het hoofd had gezien. Hoewel er een paar gevallen waren waarin de focus van het systeem op de slechtste gebieden ervoor zorgde dat het enkele nuances van het omliggende weefsel miste, was de algemene feedback positief. De artsen vonden dat het instrument fungeerde als een betrouwbare assistent, die hen naar de belangrijkste delen van de slide wees en de tijd verkortte die nodig was om tot een zelfverzekerde conclusie te komen.
De studie onderzocht ook hoe goed het systeem zou werken op data die het nog nooit eerder had gezien, zoals weefselmonsters van andere ziekenhuizen of gescand met andere machines. Het nieuwe framework bleek opmerkelijk robuust te zijn en behield zijn hoge prestaties, zelfs wanneer de data veranderde. Dit suggereert dat het systeem de fundamentele regels van hoe deze kankers zich gedragen heeft geleerd, in plaats van alleen de specifieke afbeeldingen te hebben onthouden waarop het is getraind. De onderzoekers merkten op dat hoewel het systeem niet perfect is en nog steeds menselijk toezicht vereist, het een belangrijke stap voorwaarts is in het consistenter en betrouwbaarder maken van kankergradering. Door de logica van de computer af te stemmen op de manier waarop menselijke experts informatie prioriteren, biedt dit werk een veelbelovend pad naar betere, snellere en nauwkeurigere kankerdiagnoses voor patiënten wereldwijd.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.