将深度学习应用于转移性乳腺癌检测

lixia01

病理学家对患者肿瘤的显微镜检查被视为癌症诊断的黄金标准，并对预后和治疗决策有着深远的影响。病理学审查的一个重要但费力的方面是检测从原发部位扩散（转移）到附近淋巴结的癌症。淋巴结转移的检测与大多数癌症有关，并且是广泛使用的TNM 癌症分期的基础之一。
特别是在乳腺癌中，淋巴结转移会影响放射疗法、化学疗法以及可能的手术切除额外淋巴结的治疗决策。因此，识别淋巴结转移的准确性和及时性对临床护理有重大影响。然而，研究表明，大约四分之一的转移性淋巴结分期分类会在第二次病理学审查时发生变化，并且在时间限制内审查时，单个载玻片上小转移的检测灵敏度可能低至 38%
。 我们在2016 ISBI Camelyon Challenge上介绍了基于深度学习的提高诊断准确度的方法(LYmph Node Assistant，简称 LYNA) ，该方法为研究人员提供了乳腺癌患者淋巴结的千兆像素大小的病理切片，以开发检测转移性癌症的计算机算法。虽然 LYNA 的癌症检出率(Liu et al. 2017) 明显高于之前报道的水平，但单靠精准的算法不足以改善病理学家的工作流程或改善乳腺癌患者的治疗结果。为了患者安全，必须在各种环境下测试这些算法，以了解它们的优缺点。此外，病理学家使用这些算法的实际好处此前尚未被探索过，必须进行评估才能确定算法是否真正提高了效率或诊断准确度。在《病理学与实验室医学档案》上发表 的“基于人工智能的乳腺癌淋巴结转移检测：为病理学家洞察黑匣子”（Liu 等人，2018 年）和在《美国外科病理学杂志》上发表的“深度学习辅助对转移性乳腺癌淋巴结组织病理学检查的影响”（Steiner、MacDonald、Liu 等人，2018 年）中，我们提出了一种基于 LYNA 的概念验证病理学家辅助工具，并研究了这些因素。 在第一篇论文中
，我们将算法应用于 Camelyon Challenge 和圣地亚哥海军医疗中心合著者提供的独立数据集中的去识别病理切片。由于这个额外的数据集包含来自不同实验室使用不同流程的病理样本，因此它改善了常规临床实践中切片和伪影多样性的表示。LYNA 被证明对图像变化和大量组织学伪影具有稳健性，并且在两个数据集上均实现了类似的性能，无需额外开发。。
在这两个数据集中，LYNA 能够在 99% 的时间内正确区分患有转移性癌症的载玻片和未患癌症的载玻片。此外，LYNA 能够准确地确定每张载玻片中癌症和其他可疑区域的位置，其中一些区域太小，病理学家无法持续检测到。因此，我们推断，LYNA 的一个潜在好处可能是突出显示这些值得关注的区域，以便病理学家审查并确定最终诊断。
在我们的第二篇论文中，6 名经过委员会认证的病理学家完成了一项模拟诊断任务，他们在有和没有 LYNA 的帮助下检查了淋巴结以查找转移性乳腺癌。对于通常很费力的检测小转移（称为微转移）的任务，使用 LYNA 使任务在主观上“更容易”（根据病理学家自我报告的诊断难度）并且平均载玻片审查时间减少了一半，每张载玻片大约需要一分钟而不是两分钟。
这表明，LYNA 等辅助技术具有惊人的潜力，可以减轻重复识别任务的负担，让病理学家有更多时间和精力专注于其他更具挑战性的临床和诊断任务。在诊断准确性方面，本研究中的病理学家能够使用 LYNA 更可靠地检测出微转移，将漏诊微转移的概率降低了一半。令人鼓舞的是，在 LYNA 帮助下，病理学家的诊断准确率比没有帮助的病理学家或 LYNA 算法本身更高，这表明人与算法可以有效地协同工作，发挥比单独使用任何一种算法更好的效果。
通过这些研究，我们在证明我们的 LYNA 算法对乳腺癌 TNM 分期一个组成部分的支持能力以及在概念验证诊断环境中评估其影响方面取得了进展。虽然令人鼓舞，但利用这类技术帮助医生和患者的从实验室到临床的旅程还很漫长。这些研究存在重大局限性，例如数据集大小有限，以及模拟诊断工作流程仅检查每个患者的单个淋巴结切片，而不是完整临床病例常见的多个切片。需要进一步研究来评估 LYNA 对实际临床工作流程和患者结果的影响。然而，我们仍然乐观地认为，经过仔细验证的深度学习技术和精心设计的临床工具可以帮助提高全球病理诊断的准确性和可用性。