Risikomodel for metastasepåvisning af neuroblastom (NB)

1. Datasætbehandling. I denne undersøgelse omfatter modellen træningssæt, valideringssæt og testsæt. Under modelkonstruktionen behandler efterforskerne træningen i intern kohorte ved tilfældigt at tildele de tilmeldte deltagere til træningssættet og valideringssættet i forholdet 8:2. Efterforskerne bruger de tilmeldte deltagere fra eksterne kohorter som testsæt til uafhængigt at evaluere modellens ydeevne og derefter vælge den bedste model til fremtidig brug.

   Den etiske komité på Xinhua Hospital, der er tilknyttet Shanghai Jiaotong University School of Medicine, godkendte denne undersøgelse (XHEC-C-2024-023-2).

2. billedopsamling. I AI-modellen bruger efterforskerne knoglemarvsudstrygninger fra tilmeldte deltagere til cytologisk evaluering og billedindsamling. Under celleklassificering og metastasepåvisning afslutter de erfarne patologer knoglemarvsudstrygningsanalysen, metastatiske NB-klynger i knoglemarven udviste normalt aggregerede runde atypiske celler med højt kerne/cytoplasmatisk forhold. Efterforskerne scanner farvet knoglemarvsudstrygning ved 40 × forstørrelse til digital helglasbilleddannelse (WSI). Efterforskerne segmenterer WSI'er i mindre patches som 512 × 512 pixels fliser og anvender Vahadane-metoden til at normalisere farven på små fliser.

3. Deep learning træning. I funktionsekstraktion af knoglemarvscytologiske billede omfatter processen to niveauer af forudsigelser: patch-niveau og WSI-niveau forudsigelser.

   For forudsigelser på patch-niveau udfører efterforskerne etiketforudsigelser og deres respektive sandsynligheder for alle patches. Efterforskerne anvender model i den dybe læringsproces som følger: anerkendt neuralt netværk (CNN)-resnet50 og Vision Transformer (ViT). Parameterkonfigurationerne i modellen er som følger: optimizer-SGD, tabsfunktion-softmax krydsentropi, med en batchstørrelse på 64.

   Til forudsigelser på WSI-niveau bruger efterforskerne en multi-instance learning (MIL) algoritme til at aggregere spredte patch-niveau funktioner til WSI-niveau funktioner. Under MIL for WSI-fusion udfører efterforskerne forudsigelser på WSI-niveau med Patch Likelihood Histogram (PLH) pipeline og Bag of Words (BoW) pipeline i kombination. Efterfølgende får efterforskerne forudsigelsen på WSI-niveau som endelige repræsentationer af deltageren til efterfølgende analytiske operationer.

4. Signaturbygning. I processionen af ​​funktionsudvælgelse bruger efterforskerne LASSO (Least Absolute Shrinkage and Selection Operator) funktionsscreening til at bestemme de endelige WSI-niveautræk af knoglemarvscytologien. Disse udvalgte funktioner blev derefter udsat for maskinlæringsmetoder for at udvikle AI-model. efterforskerne anvender flere maskinlæringsalgoritmer til at forudsige metastasetilstand af knoglemarv og/eller knogle hos deltagere, såsom støttevektormaskiner (SVM), logistisk regression (LR), træbaserede modeller, såsom tilfældige skove og ekstremt randomiserede træer ( ExtraTrees), Extreme Gradient Boosting (XGBoost) og light gradient boosting maskine (LightGBM) samt multilayer perceptron (MLP) at udvikle vores modeller.

   I prognosemodellen bruger efterforskerne Cox-modeller til at konstruere overlevelsesmodellen med knoglemarvscytologisk signatur og kliniske karakterer.

5. Modelvurdering og statistisk analyse. Efterforskerne sammenligner deltagerens kliniske karakteristika med uafhængig stikprøve t-test for kontinuerlige variable og χ²-testen for diskrete variable i SPSS version 22.0 (SPSS, Inc., Chicago, IL, USA). P ≤ 0,05 blev betragtet som statistisk signifikant.

Til den diagnostiske model bruger efterforskerne både mikro- og makroareal under kurven (AUC)-metrikker til at evaluere modellen med hensyn til sensitivitet, specificitet, nøjagtighed, positiv prædiktiv værdi og negativ prædiktiv værdi ved forskellige klassifikationstærskler. Modellens ydeevne og effektivitet blev evalueret på en separat testkohorte. Undersøgelsen anvender tilpasset Python-kode skrevet i Python v.3.7.12 til at evaluere modellens ydeevne.

Til den prognostiske model bruger efterforskerne AUC som præstationsmåling og beregner sensitivitet og specificitet. Modellen med den bedste ydeevne på testsættet blev valgt som den optimale model. Overlevelseskurver blev konstrueret efter Kaplan-Meier-metoden.