Risikomodell zur Metastasierungserkennung von Neuroblastomen (NB)

1. Datensatzverarbeitung. In dieser Studie umfasst das Modell Trainingssatz, Validierungssatz und Testsatz. Während der Modellkonstruktion verarbeiten die Forscher das Training in einer internen Kohorte, indem sie die eingeschriebenen Teilnehmer nach dem Zufallsprinzip dem Trainingssatz und dem Validierungssatz im Verhältnis 8:2 zuordnen. Die Forscher verwenden die eingeschriebenen Teilnehmer externer Kohorten als Testsätze, um die Modellleistung unabhängig zu bewerten und dann das beste Modell für die zukünftige Verwendung auszuwählen.

   Die Ethikkommission des Xinhua-Krankenhauses der Shanghai Jiaotong University School of Medicine hat diese Studie genehmigt (XHEC-C-2024-023-2).

2. Bildaufnahme. Im KI-Modell verwenden die Forscher Knochenmarksabstriche der eingeschriebenen Teilnehmer zur zytologischen Auswertung und Bildsammlung. Während der Zellklassifizierung und der Metastasenerkennung führen die erfahrenen Pathologen die Analyse des Knochenmarkabstrichs durch. Metastasierte NB-Cluster im Knochenmark wiesen normalerweise aggregierte runde atypische Zellen mit einem hohen Kern/Zytoplasma-Verhältnis auf. Die Forscher scannen gefärbte Knochenmarksabstriche mit 40-facher Vergrößerung für die digitale Bildgebung ganzer Objektträger (WSI). Die Forscher segmentieren WSIs in kleinere Patches als 512 × 512 Pixel große Kacheln und wenden die Vahadane-Methode an, um die Farbe kleiner Kacheln zu normalisieren.

3. Deep-Learning-Training. Bei der Merkmalsextraktion von zytologischen Knochenmarksbildern umfasst der Prozess zwei Vorhersageebenen: Vorhersagen auf Patch-Ebene und WSI-Ebene.

   Für Vorhersagen auf Patch-Ebene führen die Forscher Etikettenvorhersagen und ihre jeweiligen Wahrscheinlichkeiten für alle Patches durch. Die Forscher wenden das Modell im Deep-Learning-Prozess wie folgt an: anerkanntes neuronales Netzwerk (CNN)-resnet50 und Vision Transformer (ViT). Die Parameterkonfigurationen im Modell sind wie folgt: Optimierer-SGD, Verlustfunktion-Softmax-Kreuzentropie, mit einer Stapelgröße von 64.

   Für Vorhersagen auf WSI-Ebene verwenden die Forscher einen MIL-Algorithmus (Multi-Instance Learning), um verteilte Features auf Patch-Ebene zu Features auf WSI-Ebene zu aggregieren. Während der MIL für die WSI-Fusion führen die Forscher Vorhersagen auf WSI-Ebene mit der Patch Likelihood Histogram (PLH)-Pipeline und der Bag of Words (BoW)-Pipeline in Kombination durch. Anschließend erhalten die Forscher die Vorhersage auf WSI-Ebene als endgültige Darstellung des Teilnehmers für nachfolgende Analysevorgänge.

4. Signature-Gebäude. Bei der Merkmalsauswahl verwenden die Forscher das LASSO-Merkmalsscreening (Least Absolute Shrinkage and Selection Operator), um die endgültigen Merkmale der Knochenmarkszytologie auf WSI-Ebene zu bestimmen. Diese ausgewählten Merkmale wurden dann maschinellen Lernmethoden unterzogen, um ein KI-Modell zu entwickeln. Die Forscher wenden mehrere Algorithmen für maschinelles Lernen an, um den Metastasierungszustand von Knochenmark und/oder Knochen bei Teilnehmern vorherzusagen, wie z. B. Support Vector Machines (SVM), logistische Regression (LR), baumbasierte Modelle wie Random Forests und extrem randomisierte Bäume ( ExtraTrees), Extreme Gradient Boosting (XGBoost) und Light Gradient Boosting Machine (LightGBM) sowie Multilayer Perceptron (MLP) zur Entwicklung unserer Modelle.

   Im Prognosemodell verwenden die Forscher Cox-Modelle, um das Überlebensmodell mit zytologischer Knochenmarkssignatur und klinischen Merkmalen zu erstellen.

5. Modellbewertung und statistische Analyse. Die Forscher vergleichen die klinischen Merkmale des Teilnehmers mit dem unabhängigen Stichproben-T-Test für kontinuierliche Variablen und dem χ²-Test für diskrete Variablen in SPSS Version 22.0 (SPSS, Inc., Chicago, IL, USA). P ≤ 0,05 wurde als statistisch signifikant angesehen.

Für das Diagnosemodell verwenden die Forscher sowohl Mikro- als auch Makro-Area-under-the-Curve (AUC)-Metriken, um das Modell hinsichtlich Sensitivität, Spezifität, Genauigkeit, positivem Vorhersagewert und negativem Vorhersagewert bei verschiedenen Klassifizierungsschwellenwerten zu bewerten. Die Leistung und Wirksamkeit des Modells wurden anhand einer separaten Testkohorte bewertet. Die Studie verwendet benutzerdefinierten Python-Code, der in Python v.3.7.12 geschrieben wurde, um die Modellleistung zu bewerten.

Für das Prognosemodell verwenden die Forscher die AUC als Leistungsmetrik und berechnen Sensitivität und Spezifität. Als optimales Modell wurde das Modell mit der besten Leistung auf dem Testsatz ausgewählt. Überlebenskurven wurden nach der Kaplan-Meier-Methode erstellt.