组织病理学检查是许多重大疾病诊断和治疗的关键步骤。为促进诊断决策和减轻病理医生的工作负担，研究者们开发了一款基于人工智能（AI）的预筛查工具，用以分析大肠活检的全量影像（whole-slide images, WSI），以区分典型、非肿瘤和肿瘤活检，相关研究发表在2023年11月的《The Lancet. Digital health》上。
该项回顾性队列研究使用来自英国一家医院内部开发队列的切片，以及来自英国两家医院和葡萄牙一家临床实验室的三个外部验证队列的WSI。为了从大肠活检切片的数字化WSI中学习不同的组织学模式，研究者们提出的弱监督深度学习模型（异常检测结直肠癌AI模型 [CAIMAN]）使用了切片级别的诊断标签，而没有详细的细胞或区域级注释。该方法使用来自2080例患者的5054张活检切片的内部开发队列开发的，这些切片被病理医生标记了相应的诊断类别。三个外部验证队列共1536张切片用于独立验证CAIMAN。每个WSI被分类为三个类别之一（即典型、非典型非肿瘤性和非典型肿瘤性）。图像片段的预测评分被聚合为整个切片的三个预测评分，一个为其典型的可能性，一个为其非肿瘤性的可能性，一个是为其肿瘤性的可能性。外部验证队列的评估由经过训练和冻结的CAIMAN模型进行。为了评估模型性能，研究者们计算了受试者工作特征曲线凸包下面积（AUROC）、精度-召回曲线下面积，以及与研究者们先前发表的迭代绘制和秩抽样（IDaRS）算法进行比较的特异性。研究者们还生成了热图和显著性图，以分析和可视化WSI诊断标签与组织微环境的空间特征之间的关系。该研究的主要结果是CAIMAN准确识别结肠活检的典型和非典型WSI的能力，这可能有助于从临床诊断工作中自动删除典型活检。
在2012年1月1日至2017年12月31日期间，从所有大肠活检样本中随机选择一个子集。AI培训、验证和评估于2021年1月1日至2022年9月30日期间完成。在2022年1月1日至9月30日期间收集了带有诊断标签的WSI。研究者们的分析显示， CAIMAN基于活检解剖部位的典型和非典型类别的预测评分之间无显著性差异。在灵敏度为0.99时，CAIMAN（特异性0.5592）在交叉验证中识别典型和非典型活检的准确性高于基于IDaRS的弱监督WSI分类管道（0.4629）（p<0.0001）。灵敏度为0.99时，CAIMAN 在两个外部验证队列中的准确性也高于IDaRS（p<0.0001），但在第三个外部验证队列中则不然（p=0.10）。，CAIMAN在某些高灵敏度阈值下提供了比IDaRS更高的特异性（0.7763 vs 0.6222，0.95灵敏度；0.7126 vs 0.5407，0.97灵敏度；0.5615 vs 0.3970，0.99灵敏度，在其中一个外部验证队列上），并在区分肿瘤活检（AUROC 0.9928，95% CI 0.9927–0.9929）、炎性活检（0.9658，0.9655–0.9661）和非典型活检（0.9789，0.9786–0.9792）方面表现出良好的分类性能。在三个外部验证队列中，CAIMAN在检测非典型活检方面的AUROC值分别为0.9431（95% CI 0.9165–0.9697）、0.9576（0.9568–0.9584）和0.9636（0.9615–0.9657）。显著性图支持模型预测中疾病异质性的表现及其与相关组织学特征的关联。
CAIMAN具有高度敏感性的非典型大肠活检检测能力，可能有助于在典型结肠活检的预筛查中提高临床工作流程效率和诊断决策能力。。
原文出处：Bilal M, Tsang YW, Ali M, Graham S, Hero E, Wahab N, Dodd K, Sahota H, Wu S, Lu W, Jahanifar M, Robinson A, Azam A, Benes K, Nimir M, Hewitt K, Bhalerao A, Eldaly H, Raza SEA, Gopalakrishnan K, Minhas F, Snead D, Rajpoot N. Development and validation of artificial intelligence-based prescreening of large-bowel biopsies taken in the UK and Portugal: a retrospective cohort study. Lancet Digit Health. 2023 Nov;5(11):e786-e797. doi: 10.1016/S2589-7500(23)00148-6. PMID: 37890902.
链接：https://pubmed.ncbi.nlm.nih.gov/37890902/