约翰·霍普金斯大学医学院的一个研究团队创建并训练了一个机器学习模型，用于计算骨肉瘤(一种骨癌)患者的坏百分比(PN)，或者说肿瘤“亡”且不再活跃的百分比。与肌肉骨骼病理学家的结果相比，该模型的计算正确率为 85%。去除一个异常值后，准确率升至 99%。
化疗后 PN 计算有助于为患者提供生存预后。例如，PN 为 99% 表明 99% 的肿瘤已亡，表明化疗有效，患者的生存几率有所提高。病理学家通过查看、解释和注释全玻片图像 (WSI) 来计算 PN，全玻片图像是标本(在本上下文中为骨组织)的薄片切片，安装在玻片上进行显微分析。
“计算 PN 是一个劳动密集型过程，需要肌肉骨骼病理学家提供大量注释数据，”该研究的共同第一作者、约翰霍普金斯大学医学院骨科外科住院医师 Christa LiBrizzi 医学博士说。“此外，它的观察者间可靠性较低，这意味着试图根据相同 WSI 计算 PN 的两名病理学家通常会报告不同的结论。由于这些因素，我们认为尝试通过其他方法计算 PN 是值得的。”
该团队试图开发一种“弱监督”机器学习模型，该模型需要最少的注释数据进行训练。以这种方式训练模型意味着肌肉骨骼病理学家使用该模型计算患者的 PN 只需要为其提供部分注释的 WSI，从而减轻了病理学家的劳动负担。
首先，研究小组从约翰霍普金斯大学美国癌症中心的病理档案中收集了数据，包括 WSI。所有数据均来自髓内骨肉瘤(即起源于骨骼中心的骨肉瘤)患者，这些患者于 2011 年至 2021 年间在该中心接受了化疗和手术。然后，该团队让一名肌肉骨骼病理学家对每种组织的三种类型进行了部分注释。收集的 WSI：活动肿瘤、亡肿瘤和非肿瘤组织。病理学家还估计了每位患者的 PN。利用这些信息，团队开始训练模型。
“我们决定通过教它识别图像模式来训练模型，”该研究的共同第一作者、约翰·霍普金斯大学医学院生物医学工程博士生王珍珍说。“我们将 WSI 分成数千个小斑块，然后根据病理学家的标记方式将这些斑块分为几组。最后，我们将这些分组的补丁输入到模型中进行训练。我们认为这将为模型提供一个更强大的参考框架，而不是简单地为其提供一个大型 WSI 并冒着只见树木的风险。”
经过培训后，模型和肌肉骨骼病理学家获得了来自两名骨肉瘤患者的 6 个 WSI 来进行解释。结果显示模型与病理学家的 PN 计算和组织标记之间存在 85% 的正相关性。该模型并不总是正确标记软骨，这导致由于一个 WSI 上软骨丰富而出现异常值。当异常值被移除后，相关性增加到 99%。
“如果这个模型得到验证和生产，它可以帮助加快评估化疗对患者的有效性，从而更快地为他们提供预后估计，”LiBrizzi 说。“这将减少医疗保健成本以及肌肉骨骼病理学家的劳动负担。”
在未来的研究中，该团队的目标是将软骨组织纳入模型的训练中，并使 WSI 多样化，以包括髓内以外的其他类型的骨肉瘤。
该 研究 于 10 月 5 日在线发表在 《骨科研究杂志》上。
版权声明：本文由用户上传，如有侵权请联系删除！
