Deep Learning-Based Segmentation of Oral Squamous Cell Carcinoma on Routine H&E Histopathology Images: A Single-Center Retrospective Study
Deze retrospectieve studie met één centrum toont de haalbaarheid aan van het gebruik van een Attention U-Net deep learning-model om een hoge nauwkeurigheid te bereiken bij de geautomatiseerde segmentatie van orale plaveiselcelcarcinoom op routinematige H&E-gekleurde histopathologische beelden, hoewel externe validatie nodig is om de generaliseerbaarheid te bevestigen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
Stel je een wereld voor waarin artsen niet alleen naar een plaatje kijken om een probleem te vinden, maar een super-slimme assistent hebben die precies kan aanwijzen waar de ellende zich verstopt. Dit is de opwindende hoek van de wetenschap die Kunstmatige Intelligentie (AI) in de geneeskunde wordt genoemd, specif으로 een tak die bekend staat als Deep Learning. Denk aan Deep Learning als het leren van een computer om patronen te herkennen door het miljoenen voorbeelden te laten zien, een beetje zoals een kind leert een kat in een menigte te herkennen door duizenden foto's van katten te zien. In dit specifieke verhaal is de "foto" een minuscuul, kleurrijk doorsnee van menselijk weefsel genaamd een histopathologie-objectglas, gekleurd met roze en paarse kleurstoffen (H&E) om cellen zichtbaar te maken. Het "probleem" is een type mondkanker genaamd Oraal Plaveiselcelcarcinoom (OSCC). Artsen geven hier diep om omdat precies bepalen waar de kanker ophoudt en gezond weefsel begint, essentieel is als het tekenen van een kaart voor een schattenjacht; als de kaart fout is, kan de operatie ofwel wat "schat" (kanker) achterlaten, ofwel te veel gezond land wegsnijden. De grote vraag die onderzoekers stellen is: Kunnen we een computer leren om deze kaart automatisch te tekenen, sneller en consistenter dan een vermoeid menselijk oog?
Dit artikel vertelt het verhaal van een team van onderzoekers die besloten die computer-kaartmaker te bouwen. Ze verzamelden een enorme collectie van 554 echte gevallen van mondkanker, die elk zorgvuldig zijn beoordeeld en met de hand zijn getekend door een expert-patholoog (een arts die gespecialiseerd is in het bekijken van weefsel onder een microscoop) om een "ground truth" kaart te creëren. Vervolgens voerden ze deze afbeeldingen in een speciaal type AI-model genaamd een Attention U-Net. Je kunt dit model zien als een detective met een vergrootglas die precies weet waar hij zijn aandacht op moet richten, waarbij de saaie achtergrondruis (zoals gezond weefsel of ontsteking) negeert en inzoomt op de verdachte plekken. De onderzoekers trainden deze detective op de meeste gevallen en testten het vervolgens op een nieuwe partij gevallen die het nog nooit eerder had gezien om te zien of het echt de klus kon klaren.
De resultaten waren zeer veelbelovend. De AI-detective slaagde erin om de grenzen van de kanker met een hoog niveau van nauwkeurigheid te tekenen, waarbij de kaarten van de expert ongeveer 85% van de tijd overeenkwamen in termen van pixel-perfecte overlap. Specifiek behaalde het model een score genaamd de Dice-coëfficiënt van 0,8498 en een Intersection over Union (IoU) van 0,7154. In gewone mensentaal betekent dit dat de omtrek van de kanker die de computer tekende, zeer dicht bij de omtrek van de arts lag, waarbij de tumor in de meeste gebieden succesvol werd geïdentificeerd. Het model was bijzonder goed in het opsporen van duidelijke, goed gedefinieerde tumoren. De auteur waren echter eerlijk over waar de detective struikelde: wanneer de kanker zich verborg in kleine, verspreide eilandjes of wanneer het weefsel er erg rommelig en verwarrend uitzag, maakte de AI soms kleine fouten, door ofwel een klein plekje te missen, ofwel per ongeluk een gezond gebied te markeren.
De auteurs zijn voorzichtig in hun opmerking dat, hoewel dit een sterke stap voorwaarts is, het nog geen toverstaf is. Ze benadrukken dat hun test werd uitgevoerd op data van slechts één ziekenhuis, dus het model heeft nog niet bewezen dat het de verschillende microscopen en kleuringsstijlen van andere laboratoria over de hele wereld aankan. Ze merken ook op dat de "ground truth" kaarten door slechts één expert waren getekend, dus we weten niet hoe de AI zou presteren als twee verschillende experts de kaarten hadden getekend en het oneens waren. De studie suggereert dat deze technologie uiteindelijk een behulpzame sidekick voor pathologen zou kunnen worden, door hen te helpen meten hoe diep de kanker gaat of of het de rand van de operatie heeft bereikt, maar het is nog niet klaar om de menselijke arts te vervangen of op eigen kracht een diagnose te stellen. De belangrijkste les is dat ze er succesvol in zijn geslaagd een grote, hoogwaardige dataset van 554 door experts gelabelde gevallen te bouwen en bewezen hebben dat een computer de kanker in deze objectglazen kan vinden met een aanzienlijke overeenstemming met menselijke experts, wat de weg vrijmaakt voor toekomstige hulpmiddelen die er ooit voor kunnen zorgen dat de planning van kankerbehandelingen nauwkeuriger wordt.
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.