Modèle de risque pour la détection des métastases du neuroblastome (NB)

1. Traitement des ensembles de données. Dans cette étude, le modèle comprend l'ensemble de formation, l'ensemble de validation et les ensembles de tests. Lors de la construction du modèle, les enquêteurs traitent la formation en cohorte interne en attribuant au hasard les participants inscrits à l'ensemble de formation et à l'ensemble de validation dans un rapport de 8 : 2. Les enquêteurs utilisent les participants inscrits dans des cohortes externes comme ensembles de tests pour évaluer indépendamment les performances du modèle, puis sélectionner le meilleur modèle pour une utilisation future.

   Le comité d'éthique de l'hôpital Xinhua affilié à l'école de médecine de l'université Jiaotong de Shanghai a approuvé cette étude (XHEC-C-2024-023-2).

2. acquisition d'images. Dans le modèle d'IA, les enquêteurs utilisent des frottis de moelle osseuse des participants inscrits pour l'évaluation cytologique et la collecte d'images. Lors de la classification cellulaire et de la détection des métastases, les pathologistes expérimentés effectuent l'analyse du frottis de moelle osseuse. Les amas métastatiques de NB dans la moelle osseuse présentaient généralement des cellules rondes atypiques agrégées avec un rapport noyau/cytoplasmique élevé. Les enquêteurs scannent un frottis de moelle osseuse coloré à un grossissement de 40 × pour l'imagerie numérique sur lame entière (WSI). Les enquêteurs segmentent les WSI en patchs plus petits sous forme de tuiles de 512 × 512 pixels et appliquent la méthode Vahadane pour normaliser la couleur des petites tuiles.

3. Formation en apprentissage profond. Dans l'extraction des caractéristiques de l'image cytologique de la moelle osseuse, le processus comprend deux niveaux de prédictions : les prédictions au niveau du patch et au niveau du WSI.

   Pour les prédictions au niveau des correctifs, les enquêteurs effectuent des prédictions d'étiquettes et leurs probabilités respectives pour tous les correctifs. Les enquêteurs appliquent le modèle dans le processus d'apprentissage en profondeur comme suit : réseau neuronal reconnu (CNN) -resnet50 et Vision Transformer (ViT). Les configurations de paramètres dans le modèle sont les suivantes : optimiseur-SGD, fonction de perte-entropie croisée softmax, avec une taille de lot de 64.

   Pour les prédictions au niveau WSI, les enquêteurs utilisent un algorithme d'apprentissage multi-instance (MIL) pour agréger les fonctionnalités dispersées au niveau des correctifs aux fonctionnalités au niveau WSI. Pendant la fusion MIL pour WSI, les enquêteurs effectuent des prédictions au niveau WSI avec le pipeline Patch Likelihood Histogram (PLH) et le pipeline Bag of Words (BoW) en combinaison. Par la suite, les enquêteurs obtiennent la prédiction au niveau WSI comme représentations finales du participant pour les opérations analytiques ultérieures.

4. Bâtiment emblématique. Dans le processus de sélection des caractéristiques, les enquêteurs utilisent le dépistage des caractéristiques LASSO (Least Absolute Shrinkage and Selection Operator) pour déterminer les caractéristiques finales au niveau WSI de la cytologie de la moelle osseuse. Ces fonctionnalités sélectionnées ont ensuite été soumises à des méthodes d'apprentissage automatique pour développer un modèle d'IA. les enquêteurs appliquent plusieurs algorithmes d'apprentissage automatique pour prédire l'état des métastases de la moelle osseuse et/ou des os chez les participants, comme les machines à vecteurs de support (SVM), la régression logistique (LR), les modèles arborescents, tels que les forêts aléatoires et les arbres extrêmement randomisés ( ExtraTrees), extreme Gradient Boosting (XGBoost) et light gradient boosting machine (LightGBM), ainsi que le perceptron multicouche (MLP) pour développer nos modèles.

   Dans le modèle de pronostic, les enquêteurs utilisent des modèles de Cox pour construire le modèle de survie avec la signature cytologique de la moelle osseuse et les caractères cliniques.

5. Évaluation de modèles et analyse statistique. Les enquêteurs comparent les caractéristiques cliniques du participant avec un test t sur échantillon indépendant pour les variables continues et le test χ² pour les variables discrètes dans SPSS version 22.0 (SPSS, Inc., Chicago, IL, USA). P ≤ 0,05 était considéré comme statistiquement significatif.

Pour le modèle de diagnostic, les enquêteurs utilisent à la fois des mesures micro et macro de l'aire sous la courbe (AUC) pour évaluer le modèle en termes de sensibilité, spécificité, précision, valeur prédictive positive et valeur prédictive négative à différents seuils de classification. Les performances et l'efficacité du modèle ont été évaluées sur une cohorte de tests distincte. L'étude utilise du code Python personnalisé écrit en Python v.3.7.12 pour évaluer les performances du modèle.

Pour le modèle pronostique, les enquêteurs utilisent l'AUC comme mesure de performance et calculent la sensibilité et la spécificité. Le modèle présentant les meilleures performances sur l’ensemble de test a été sélectionné comme modèle optimal. Les courbes de survie ont été construites selon la méthode de Kaplan-Meier.