Model ryzyka do wykrywania przerzutów nerwiaka niedojrzałego (NB)

1. Przetwarzanie zbioru danych. W tym badaniu model obejmuje zbiór uczący, zbiór walidacyjny i zbiory testowe. Podczas konstruowania modelu badacze przetwarzają szkolenie w kohorcie wewnętrznej, losowo przypisując zarejestrowanych uczestników do zbioru treningowego i zestawu walidacyjnego w stosunku 8:2. Badacze wykorzystują włączonych uczestników kohort zewnętrznych jako zestawy testowe do niezależnej oceny działania modelu, a następnie wybierają najlepszy model do wykorzystania w przyszłości.

   Komisja ds. Etyki szpitala Xinhua stowarzyszonego ze Szkołą Medyczną Uniwersytetu Jiaotong w Szanghaju zatwierdziła to badanie (XHEC-C-2024-023-2).

2. pozyskiwanie obrazu. W modelu AI badacze wykorzystują rozmazy szpiku kostnego włączonych uczestników do oceny cytologicznej i gromadzenia obrazów. Podczas klasyfikacji komórek i wykrywania przerzutów doświadczeni patolodzy przeprowadzają analizę rozmazu szpiku kostnego. Przerzutowe skupiska NB w szpiku kostnym zwykle wykazują zagregowane okrągłe, atypowe komórki o wysokim stosunku jądro/cytoplazma. Badacze skanują wybarwiony rozmaz szpiku kostnego przy powiększeniu 40 × w celu uzyskania cyfrowego obrazowania całych preparatów (WSI). Badacze dzielą WSI na mniejsze obszary w postaci płytek o wymiarach 512 × 512 pikseli i stosują metodę Vahadane w celu normalizacji koloru małych płytek.

3. Trening głębokiego uczenia się. W ekstrakcji cech obrazu cytologicznego szpiku kostnego proces obejmuje dwa poziomy przewidywań: przewidywania na poziomie plastra i przewidywania na poziomie WSI.

   W przypadku przewidywań na poziomie łaty badacze przeprowadzają przewidywania etykiet i odpowiadające im prawdopodobieństwa dla wszystkich plastrów. Badacze wykorzystują w procesie głębokiego uczenia się modele: uznana sieć neuronowa (CNN)-resnet50 i Vision Transformer (ViT). Konfiguracje parametrów w modelu są następujące: optymalizator-SGD, funkcja straty-softmax-entropia krzyżowa, przy wielkości partii 64.

   W przypadku przewidywań na poziomie WSI badacze korzystają z algorytmu uczenia się z wieloma instancjami (MIL), aby agregować rozproszone funkcje na poziomie poprawki z funkcjami na poziomie WSI. Podczas MIL dla syntezy WSI badacze wykonują prognozy na poziomie WSI za pomocą kombinacji potoku histogramu wiarygodności plamki (PLH) i potoku Bag of Words (BoW). Następnie badacze otrzymują prognozę na poziomie WSI jako ostateczną reprezentację uczestnika do kolejnych operacji analitycznych.

4. Budynek podpisu. W procesie selekcji cech badacze wykorzystują badanie przesiewowe cech LASSO (operator najmniejszego bezwzględnego skurczu i selekcji) w celu określenia ostatecznych cech cytologii szpiku kostnego na poziomie WSI. Te wybrane funkcje zostały następnie poddane metodom uczenia maszynowego w celu opracowania modelu AI. badacze stosują kilka algorytmów uczenia maszynowego, aby przewidzieć stan przerzutów w szpiku kostnym i/lub kości u uczestników, takich jak maszyny wektorów nośnych (SVM), regresja logistyczna (LR), modele oparte na drzewach, takie jak lasy losowe i drzewa niezwykle losowe ( ExtraTrees), ekstremalne wzmocnienie gradientu (XGBoost) i maszyna do wzmocnienia gradientu światła (LightGBM), a także perceptron wielowarstwowy (MLP) do opracowywania naszych modeli.

   W modelu prognostycznym badacze wykorzystują modele Coxa do skonstruowania modelu przeżycia z sygnaturą cytologiczną szpiku kostnego i cechami klinicznymi.

5. Ocena modelu i analiza statystyczna. Badacze porównują charakterystykę kliniczną uczestnika z testem t niezależnej próby dla zmiennych ciągłych i testem χ² dla zmiennych dyskretnych w wersji SPSS 22.0 (SPSS, Inc., Chicago, IL, USA). Za istotny statystycznie uznano P ≤ 0,05.

W przypadku modelu diagnostycznego badacze wykorzystują metryki mikro i makro pola pod krzywą (AUC) do oceny modelu pod względem czułości, swoistości, dokładności, dodatniej i ujemnej wartości predykcyjnej przy różnych progach klasyfikacji. Wydajność i skuteczność modelu oceniano w oddzielnej kohorcie testowej. W badaniu wykorzystano niestandardowy kod Pythona napisany w Pythonie v.3.7.12 w celu oceny wydajności modelu.

W przypadku modelu prognostycznego badacze wykorzystują AUC jako miernik wydajności oraz obliczają czułość i swoistość. Jako model optymalny wybrano model, który uzyskał najlepsze wyniki na zbiorze testowym. Krzywe przeżycia skonstruowano według metody Kaplana-Meiera.