Modelo de risco para detecção de metástase de neuroblastoma (NB)

1. Processamento de conjunto de dados. Neste estudo, o modelo inclui conjunto de treinamento, conjunto de validação e conjuntos de teste. Durante a construção do modelo, os investigadores processam o treinamento em coorte interna, atribuindo aleatoriamente os participantes inscritos ao conjunto de treinamento e conjunto de validação em uma proporção de 8:2. Os investigadores usam os participantes inscritos de coortes externas como conjuntos de teste para avaliar o desempenho do modelo de forma independente e, em seguida, selecionam o melhor modelo para uso futuro.

   O Comitê de Ética do Hospital Xinhua, afiliado à Escola de Medicina da Universidade Jiaotong de Xangai, aprovou este estudo (XHEC-C-2024-023-2).

2. aquisição de imagens. No modelo de IA, os investigadores usam esfregaços de medula óssea dos participantes inscritos para avaliação citológica e coleta de imagens. Durante a classificação celular e detecção de metástases, os patologistas experientes completam a análise do esfregaço da medula óssea, os aglomerados de RN metastáticos na medula óssea geralmente exibiam células atípicas redondas agregadas com alta relação núcleo/citoplasmática. Os investigadores examinam o esfregaço de medula óssea corado com ampliação de 40 × para imagens digitais de lâmina inteira (WSI). Os investigadores segmentam WSIs em fragmentos menores como blocos de 512 × 512 pixels e aplicam o método Vahadane para normalizar a cor de pequenos ladrilhos.

3. Treinamento de aprendizagem profunda. Na extração de características da imagem citológica da medula óssea, o processo inclui duas camadas de previsões: previsões em nível de patch e em nível WSI.

   Para previsões em nível de patch, os investigadores realizam previsões de rótulos e suas respectivas probabilidades para todos os patches. Os investigadores aplicam o modelo no processo de aprendizagem profunda da seguinte forma: rede neural reconhecida (CNN)-resnet50 e Vision Transformer (ViT). As configurações dos parâmetros no modelo são as seguintes: otimizador-SGD, função de perda-softmax entropia cruzada, com tamanho de lote de 64.

   Para previsões no nível WSI, os investigadores usam um algoritmo de aprendizagem de múltiplas instâncias (MIL) para agregar recursos dispersos no nível do patch aos recursos no nível WSI. Durante MIL para fusão WSI, os investigadores realizam previsões em nível WSI com pipeline Patch Likelihood Histogram (PLH) e pipeline Bag of Words (BoW) em combinação. Posteriormente, os investigadores obtêm a previsão do nível WSI como representações finais do participante para operações analíticas subsequentes.

4. Edifício exclusivo. Na procissão de seleção de recursos, os investigadores usam a triagem de recursos LASSO (Least Absolute Shrinkage and Selection Operator) para determinar as características finais de nível WSI da citologia da medula óssea. Esses recursos selecionados foram então submetidos a métodos de aprendizado de máquina para desenvolver o modelo de IA. os investigadores aplicam vários algoritmos de aprendizado de máquina para prever o estado de metástase da medula óssea e/ou óssea nos participantes, como máquinas de vetores de suporte (SVM), regressão logística (LR), modelos baseados em árvores, como florestas aleatórias e árvores extremamente aleatórias ( ExtraTrees), Extreme Gradient Boosting (XGBoost) e Light Gradient Boosting Machine (LightGBM), bem como Multilayer Perceptron (MLP) para desenvolver nossos modelos.

   No modelo de prognóstico, os investigadores usam modelos de Cox para construir o modelo de sobrevivência com assinatura citológica da medula óssea e caracteres clínicos.

5. Avaliação de modelos e análise estatística. Os investigadores comparam as características clínicas do participante com teste t de amostra independente para variáveis ​​contínuas e o teste χ² para variáveis ​​discretas no SPSS versão 22.0 (SPSS, Inc., Chicago, IL, EUA). P ≤ 0,05 foi considerado estatisticamente significativo.

Para o modelo de diagnóstico, os investigadores usam métricas de micro e macro área sob a curva (AUC) para avaliar o modelo em termos de sensibilidade, especificidade, precisão, valor preditivo positivo e valor preditivo negativo em diferentes limites de classificação. O desempenho e a eficácia do modelo foram avaliados em uma coorte de teste separada. O estudo emprega código Python customizado escrito em Python v.3.7.12 para avaliar o desempenho do modelo.

Para o modelo prognóstico, os investigadores usam a AUC como métrica de desempenho e calculam a sensibilidade e especificidade. O modelo com melhor desempenho no conjunto de teste foi selecionado como modelo ótimo. As curvas de sobrevivência foram construídas segundo o método de Kaplan-Meier.