Risikomodell for metastasepåvisning av nevroblastom (NB)

1. Datasettbehandling. I denne studien inkluderer modellen treningssett, valideringssett og testsett. Under modellkonstruksjonen behandler etterforskerne opplæringen i intern kohort ved å tilfeldig tildele de påmeldte deltakerne til opplæringssettet og valideringssettet i forholdet 8:2. Etterforskerne bruker de påmeldte deltakerne fra eksterne kohorter som testsett for å evaluere modellens ytelse uavhengig, og velger deretter den beste modellen for fremtidig bruk.

   Etikkkomiteen ved Xinhua sykehus tilknyttet Shanghai Jiaotong University School of Medicine godkjente denne studien (XHEC-C-2024-023-2).

2. bildeanskaffelse. I AI-modellen bruker etterforskerne benmargsutstryk fra påmeldte deltakere for cytologisk evaluering og bildeinnsamling. Under celleklassifisering og metastasedeteksjon fullfører de erfarne patologene benmargsprøveanalysen, metastatiske NB-klynger i benmargen viste vanligvis aggregerte runde atypiske celler med høyt nucleus/cytoplasmatisk forhold. Etterforskerne skanner farget benmargsutstryk ved 40 × forstørrelse for digital helbildeavbildning (WSI). Etterforskerne segmenterer WSI-er i mindre fliser som 512 × 512 piksler og bruker Vahadane-metoden for å normalisere fargen på små fliser.

3. Dyplæringstrening. I funksjonsekstraksjon av benmargscytologiske bilde, inkluderer prosessen to nivåer av spådommer: patch-nivå og WSI-nivå spådommer.

   For spådommer på patch-nivå, utfører etterforskerne etikettprediksjoner og deres respektive sannsynligheter for alle patcher. Etterforskerne bruker modellen i den dype læringsprosessen som følger: anerkjent nevrale nettverk (CNN)-resnet50 og Vision Transformer (ViT). Parameterkonfigurasjonene i modellen er som følger: optimizer-SGD, tapsfunksjon-softmax kryssentropi, med en batchstørrelse på 64.

   For spådommer på WSI-nivå bruker etterforskerne en multi-instance learning (MIL) algoritme for å aggregere spredte patch-nivå funksjoner til WSI-nivå funksjoner. Under MIL for WSI-fusjon utfører etterforskerne spådommer på WSI-nivå med Patch Likelihood Histogram (PLH) pipeline og Bag of Words (BoW) pipeline i kombinasjon. Deretter får etterforskerne prediksjonen på WSI-nivå som endelige representasjoner av deltakeren for påfølgende analytiske operasjoner.

4. Signaturbygg. I prosesjonen av funksjonsvalg bruker etterforskerne LASSO (Least Absolute Shrinkage and Selection Operator) funksjonsscreening for å bestemme de endelige funksjonene på WSI-nivå i benmargscytologien. Disse utvalgte funksjonene ble deretter utsatt for maskinlæringsmetoder for å utvikle AI-modell. etterforskerne bruker flere maskinlæringsalgoritmer for å forutsi metastasetilstand for benmarg og/eller bein hos deltakere, slik som støttevektormaskiner (SVM), logistisk regresjon (LR), trebaserte modeller, som tilfeldige skoger og ekstremt randomiserte trær ( ExtraTrees), ekstrem gradientforsterkning (XGBoost) og lysgradientforsterkningsmaskin (LightGBM), samt flerlagsperceptron (MLP) å utvikle våre modeller.

   I prognosemodellen bruker etterforskerne Cox-modeller for å konstruere overlevelsesmodellen med benmargscytologisk signatur og kliniske karakterer.

5. Modellevaluering og statistisk analyse. Etterforskerne sammenligner de kliniske egenskapene til deltakeren med uavhengig prøve-t-test for kontinuerlige variabler og χ²-testen for diskrete variabler i SPSS versjon 22.0 (SPSS, Inc., Chicago, IL, USA). P ≤ 0,05 ble ansett som statistisk signifikant.

For den diagnostiske modellen bruker etterforskerne både mikro- og makroareal under kurven (AUC)-målinger for å evaluere modellen med tanke på sensitivitet, spesifisitet, nøyaktighet, positiv prediktiv verdi og negativ prediktiv verdi ved forskjellige klassifiseringsterskler. Modellens ytelse og effektivitet ble evaluert på en separat testkohort. Studien bruker tilpasset Python-kode skrevet i Python v.3.7.12 for å evaluere modellens ytelse.

For den prognostiske modellen bruker etterforskerne AUC som ytelsesmåling og beregner sensitivitet og spesifisitet. Modellen med best ytelse på testsettet ble valgt som den optimale modellen. Overlevelseskurver ble konstruert i henhold til Kaplan-Meier-metoden.