Modello di rischio per il rilevamento delle metastasi del neuroblastoma (NB)

1. Elaborazione del set di dati. In questo studio, il modello include set di training, set di validazione e set di test. Durante la costruzione del modello, i ricercatori elaborano la formazione in una coorte interna assegnando in modo casuale i partecipanti iscritti al set di formazione e al set di validazione in un rapporto 8:2. I ricercatori utilizzano i partecipanti arruolati di coorti esterne come set di test per valutare le prestazioni del modello in modo indipendente, quindi selezionare il modello migliore per un uso futuro.

   Il Comitato Etico dell'Ospedale Xinhua, affiliato alla Scuola di Medicina dell'Università Jiaotong di Shanghai, ha approvato questo studio (XHEC-C-2024-023-2).

2. acquisizione di immagini. Nel modello AI, i ricercatori utilizzano strisci di midollo osseo dei partecipanti iscritti per la valutazione citologica e la raccolta delle immagini. Durante la classificazione delle cellule e il rilevamento delle metastasi, i patologi esperti completano l'analisi dello striscio di midollo osseo, i cluster di NB metastatici nel midollo osseo di solito mostrano cellule atipiche rotonde aggregate con un elevato rapporto nucleo/citoplasma. Gli investigatori scansionano lo striscio di midollo osseo colorato con un ingrandimento di 40 × per l'imaging digitale dell'intero vetrino (WSI). I ricercatori segmentano i WSI in patch più piccole come tessere da 512 × 512 pixel e applicano il metodo Vahadane per normalizzare il colore delle tessere piccole.

3. Formazione sull'apprendimento profondo. Nell'estrazione delle caratteristiche dell'immagine citologica del midollo osseo, il processo comprende due livelli di previsioni: previsioni a livello di patch e a livello di WSI.

   Per le previsioni a livello di patch, gli investigatori effettuano previsioni sulle etichette e le rispettive probabilità per tutte le patch. I ricercatori applicano il modello nel processo di deep learning come segue: rete neurale riconosciuta (CNN)-resnet50 e Vision Transformer (ViT). Le configurazioni dei parametri nel modello sono le seguenti: ottimizzatore-SGD, funzione di perdita-entropia incrociata softmax, con una dimensione batch di 64.

   Per le previsioni a livello WSI, i ricercatori utilizzano un algoritmo di apprendimento multi-istanza (MIL) per aggregare funzionalità disperse a livello di patch a funzionalità a livello WSI. Durante il MIL per la fusione WSI, gli investigatori eseguono previsioni a livello WSI con la pipeline Patch Likelihood Histogram (PLH) e la pipeline Bag of Words (BoW) in combinazione. Successivamente, i ricercatori ottengono la previsione a livello WSI come rappresentazione finale del partecipante per le successive operazioni analitiche.

4. Edificio caratteristico. Nella procedura di selezione delle caratteristiche, gli investigatori utilizzano lo screening delle caratteristiche LASSO (Least Absolute Shrinkage and Selection Operator) per determinare le caratteristiche finali a livello WSI della citologia del midollo osseo. Queste funzionalità selezionate sono state poi sottoposte a metodi di apprendimento automatico per sviluppare il modello AI. i ricercatori applicano diversi algoritmi di apprendimento automatico per prevedere lo stato di metastasi del midollo osseo e/o delle ossa nei partecipanti, come macchine a vettori di supporto (SVM), regressione logistica (LR), modelli basati su alberi, come foreste casuali e alberi estremamente randomizzati ( ExtraTrees), Extreme Gradient Boosting (XGBoost) e Light Gradient Boosting Machine (LightGBM), nonché percettrone multistrato (MLP) per sviluppare i nostri modelli.

   Nel modello di prognosi, i ricercatori utilizzano modelli di Cox per costruire il modello di sopravvivenza con firma citologica del midollo osseo e caratteri clinici.

5. Valutazione del modello e analisi statistica. I ricercatori confrontano le caratteristiche cliniche del partecipante con il test t del campione indipendente per variabili continue e il test χ² per variabili discrete nella versione SPSS 22.0 (SPSS, Inc., Chicago, IL, USA). P ≤ 0,05 è stato considerato statisticamente significativo.

Per il modello diagnostico, i ricercatori utilizzano metriche sia micro che macro dell'area sotto la curva (AUC) per valutare il modello in termini di sensibilità, specificità, accuratezza, valore predittivo positivo e valore predittivo negativo a diverse soglie di classificazione. Le prestazioni e l'efficacia del modello sono state valutate su un gruppo di test separato. Lo studio utilizza codice Python personalizzato scritto in Python v.3.7.12 per valutare le prestazioni del modello.

Per il modello prognostico, i ricercatori utilizzano l'AUC come metrica della prestazione e calcolano la sensibilità e la specificità. Il modello con le migliori prestazioni sul set di test è stato selezionato come modello ottimale. Le curve di sopravvivenza sono state costruite secondo il metodo Kaplan-Meier.