Risicomodel voor metastasedetectie van neuroblastoom (NB)

1. Verwerking van gegevenssets. In dit onderzoek is het model inclusief trainingsset, validatieset en testsets opgenomen. Tijdens de modelconstructie verwerken de onderzoekers de training in een intern cohort door de ingeschreven deelnemers willekeurig toe te wijzen aan de trainingsset en validatieset in een verhouding van 8:2. De onderzoekers gebruiken de ingeschreven deelnemers van externe cohorten als testsets om de prestaties van het model onafhankelijk te evalueren en vervolgens het beste model voor toekomstig gebruik te selecteren.

   De ethische commissie van het Xinhua-ziekenhuis, aangesloten bij de Shanghai Jiaotong University School of Medicine, heeft deze studie goedgekeurd (XHEC-C-2024-023-2).

2. beeldverwerving. In het AI-model gebruiken de onderzoekers beenmerguitstrijkjes van ingeschreven deelnemers voor cytologische evaluatie en beeldverzameling. Tijdens celclassificatie en metastasedetectie voltooien de ervaren pathologen de analyse van het beenmerguitstrijkje. Metastatische NB-clusters in het beenmerg vertoonden gewoonlijk geaggregeerde rond atypische cellen met een hoge kern/cytoplasmatische verhouding. De onderzoekers scannen een gekleurd beenmerguitstrijkje met een vergroting van 40x voor digitale beeldvorming met hele glaasjes (WSI). De onderzoekers segmenteren WSI's in kleinere vlakken als tegels van 512 x 512 pixels en passen de Vahadane-methode toe om de kleur van kleine tegels te normaliseren.

3. Deep learning-training. Bij de feature-extractie van beenmergcytologische beelden omvat het proces twee niveaus van voorspellingen: voorspellingen op patchniveau en op WSI-niveau.

   Voor voorspellingen op patchniveau voeren de onderzoekers labelvoorspellingen uit en hun respectievelijke waarschijnlijkheden voor alle patches. De onderzoekers passen het model als volgt toe in het diepe leerproces: erkend neuraal netwerk (CNN)-resnet50 en Vision Transformer (ViT). De parameterconfiguraties in het model zijn als volgt: optimizer-SGD, loss function-softmax cross-entropy, met een batchgrootte van 64.

   Voor voorspellingen op WSI-niveau gebruiken de onderzoekers een multi-instance learning (MIL)-algoritme om verspreide functies op patchniveau te aggregeren naar functies op WSI-niveau. Tijdens MIL voor WSI-fusie voeren de onderzoekers voorspellingen op WSI-niveau uit met de Patch Likelihood Histogram (PLH) pijplijn en de Bag of Words (BoW) pijplijn in combinatie. Vervolgens krijgen de onderzoekers de voorspelling op WSI-niveau als definitieve representatie van de deelnemer voor daaropvolgende analytische bewerkingen.

4. Kenmerkend gebouw. In de reeks van kenmerkselectie gebruiken de onderzoekers LASSO (Least Absolute Shrinkage and Selection Operator) kenmerkscreening om de uiteindelijke kenmerken op WSI-niveau van de beenmergcytologie te bepalen. Deze geselecteerde functies werden vervolgens onderworpen aan machine learning-methoden om een ​​AI-model te ontwikkelen. de onderzoekers passen verschillende machine learning-algoritmen toe om de metastasestatus van beenmerg en/of bot bij deelnemers te voorspellen, zoals support vector machines (SVM), logistieke regressie (LR), op bomen gebaseerde modellen, zoals willekeurige bossen en extreem gerandomiseerde bomen ( ExtraTrees), extreme Gradient Boosting (XGBoost) en light gradient boosting machine (LightGBM), evenals meerlaagse perceptron (MLP) om onze modellen te ontwikkelen.

   In het prognosemodel gebruiken de onderzoekers Cox-modellen om het overlevingsmodel te construeren met cytologische kenmerken van het beenmerg en klinische kenmerken.

5. Modelevaluatie en statistische analyse. De onderzoekers vergelijken de klinische kenmerken van de deelnemer met de onafhankelijke steekproef-t-test voor continue variabelen en de χ²-test voor discrete variabelen in SPSS versie 22.0 (SPSS, Inc., Chicago, IL, VS). P ≤ 0,05 werd als statistisch significant beschouwd.

Voor het diagnostische model gebruiken de onderzoekers zowel micro- als macro-area under the curve (AUC)-metrieken om het model te evalueren in termen van gevoeligheid, specificiteit, nauwkeurigheid, positief voorspellende waarde en negatief voorspellende waarde bij verschillende classificatiedrempels. De prestaties en effectiviteit van het model werden geëvalueerd in een afzonderlijk testcohort. Het onderzoek maakt gebruik van aangepaste Python-code geschreven in Python v.3.7.12 om de modelprestaties te evalueren.

Voor het prognostische model gebruiken de onderzoekers AUC als prestatiemaatstaf en berekenen ze de gevoeligheid en specificiteit. Het model met de beste prestaties op de testset werd als optimaal model geselecteerd. Overlevingscurven werden geconstrueerd volgens de Kaplan-Meier-methode.