Модель риска для обнаружения метастазов нейробластомы (NB)

1. Обработка набора данных. В этом исследовании модель включает обучающий набор, набор проверки и наборы тестов. Во время построения модели исследователи обрабатывают обучение во внутренней когорте, случайным образом распределяя зарегистрированных участников в обучающую и проверочную выборку в соотношении 8:2. Исследователи используют зарегистрированных участников внешних когорт в качестве тестовых наборов для независимой оценки эффективности модели, а затем выбирают лучшую модель для будущего использования.

   Комитет по этике больницы Синьхуа, входящей в состав медицинского факультета Шанхайского университета Цзяотун, одобрил это исследование (XHEC-C-2024-023-2).

2. получение изображения. В модели искусственного интеллекта исследователи используют мазки костного мозга участников для цитологической оценки и сбора изображений. Во время классификации клеток и выявления метастазов опытные патологоанатомы выполняют анализ мазка костного мозга. Метастатические кластеры НБ в костном мозге обычно представляют собой агрегированные круглые атипичные клетки с высоким соотношением ядро/цитоплазма. Исследователи сканируют окрашенный мазок костного мозга при 40-кратном увеличении для получения цифровой визуализации всего предметного стекла (WSI). Исследователи разделили WSI на более мелкие участки в виде плиток размером 512 × 512 пикселей и применили метод Вахадане для нормализации цвета маленьких плиток.

3. Обучение глубокому обучению. При выделении функций цитологического изображения костного мозга процесс включает два уровня прогнозов: прогнозы на уровне патча и прогнозы на уровне WSI.

   Для прогнозов на уровне патчей исследователи выполняют прогнозы меток и их соответствующие вероятности для всех патчей. Исследователи применяют следующую модель в процессе глубокого обучения: признанную нейронную сеть (CNN)-resnet50 и Vision Transformer (ViT). Конфигурации параметров в модели следующие: оптимизатор-SGD, функция потерь-мягкая кросс-энтропия, размер пакета 64.

   Для прогнозов на уровне WSI исследователи используют алгоритм множественного обучения (MIL) для объединения рассредоточенных функций уровня исправлений с функциями уровня WSI. Во время MIL для слияния WSI исследователи выполняют прогнозы на уровне WSI с помощью конвейера гистограммы вероятности исправления (PLH) и конвейера «Мешок слов» (BoW) в сочетании. Впоследствии исследователи получают прогноз уровня WSI в качестве окончательного представления участника для последующих аналитических операций.

4. Фирменное здание. В процессе выбора признаков исследователи используют скрининг признаков LASSO (оператор наименьшего абсолютного сжатия и выбора), чтобы определить окончательные особенности цитологии костного мозга на уровне WSI. Эти выбранные функции затем были подвергнуты методам машинного обучения для разработки модели ИИ. Исследователи применяют несколько алгоритмов машинного обучения для прогнозирования состояния метастазов в костном мозге и/или кости у участников, такие как машины опорных векторов (SVM), логистическая регрессия (LR), древовидные модели, такие как случайные леса и чрезвычайно рандомизированные деревья ( ExtraTrees), экстремальное повышение градиента (XGBoost) и устройство повышения светлого градиента (LightGBM), а также многослойный перцептрон (MLP) для разработки наших моделей.

   В модели прогноза исследователи используют модели Кокса для построения модели выживания с цитологической характеристикой костного мозга и клиническими признаками.

5. Оценка модели и статистический анализ. Исследователи сравнивают клинические характеристики участников с помощью t-критерия независимой выборки для непрерывных переменных и теста χ² для дискретных переменных в SPSS версии 22.0 (SPSS, Inc., Чикаго, Иллинойс, США). P ≤ 0,05 считалось статистически значимым.

Для диагностической модели исследователи используют как микро-, так и макрометрики площади под кривой (AUC), чтобы оценить модель с точки зрения чувствительности, специфичности, точности, положительной прогностической ценности и отрицательной прогностической ценности при различных порогах классификации. Производительность и эффективность модели оценивались на отдельной тестовой когорте. В исследовании используется специальный код Python, написанный на Python v.3.7.12, для оценки производительности модели.

В прогностической модели исследователи используют AUC в качестве показателя эффективности и рассчитывают чувствительность и специфичность. В качестве оптимальной была выбрана модель с лучшими характеристиками на тестовом наборе. Кривые выживания строили по методу Каплана-Мейера.