Riskmodell för metastasdetektion av neuroblastom (NB)

1. Datauppsättning bearbetning. I denna studie, modellen inklusive utbildning set, validering set och test set. Under modellkonstruktionen bearbetar utredarna utbildningen i intern kohort genom att slumpmässigt tilldela de inskrivna deltagarna utbildningsuppsättningen och valideringsuppsättningen i förhållandet 8:2. Utredarna använder de inskrivna deltagarna från externa kohorter som testuppsättningar för att utvärdera modellens prestanda oberoende, och väljer sedan den bästa modellen för framtida användning.

   Etikkommittén vid Xinhua-sjukhuset som är anslutet till Shanghai Jiaotong University School of Medicine godkände denna studie (XHEC-C-2024-023-2).

2. bildförvärv. I AI-modellen använder forskarna benmärgsutstryk från inskrivna deltagare för cytologisk utvärdering och bildinsamling. Under cellklassificering och metastasdetektering fullföljer de erfarna patologerna benmärgsutstryksanalysen, metastaserande NB-kluster i benmärgen uppvisade vanligtvis aggregerade runda atypiska celler med högt förhållande mellan kärna och cytoplasma. Utredarna skannar färgat benmärgsutstryk med 40 × förstoring för digital bildbehandling av hela objektglaset (WSI). Utredarna segmenterar WSI:er i mindre fläckar som 512 × 512 pixlar och tillämpar Vahadane-metoden för att normalisera färgen på små brickor.

3. Träning för djupinlärning. I funktionsextraktionen av benmärgscytologiska bild, inkluderar processen två nivåer av förutsägelser: patch-nivå och WSI-nivå förutsägelser.

   För förutsägelser på patchnivå utför utredarna etikettförutsägelser och deras respektive sannolikheter för alla patchar. Utredarna tillämpar modell i den djupa inlärningsprocessen enligt följande: erkänt neuralt nätverk (CNN)-resnet50 och Vision Transformer (ViT). Parameterkonfigurationerna i modellen enligt följande: optimizer-SGD, förlustfunktion-softmax-korsentropi, med en batchstorlek på 64.

   För förutsägelser på WSI-nivå använder utredarna en MIL-algoritm (multi-instance learning) för att aggregera dispergerade funktioner på patch-nivå till funktioner på WSI-nivå. Under MIL för WSI-fusion utför utredarna prognoser på WSI-nivå med Patch Likelihood Histogram (PLH) pipeline och Bag of Words (BoW) pipeline i kombination. Därefter får utredarna förutsägelsen på WSI-nivå som slutliga representationer av deltagare för efterföljande analytiska operationer.

4. Signaturbyggnad. I processionen av funktionsval använder utredarna LASSO-funktionsscreening (Least Absolute Shrinkage and Selection Operator) för att fastställa de slutliga egenskaperna på WSI-nivån i benmärgscytologin. Dessa utvalda funktioner utsattes sedan för maskininlärningsmetoder för att utveckla AI-modellen. utredarna använder flera maskininlärningsalgoritmer för att förutsäga metastaseringstillstånd av benmärg och/eller ben hos deltagarna, såsom stödvektormaskiner (SVM), Logistic Regression (LR), trädbaserade modeller, såsom slumpmässiga skogar och extremt randomiserade träd ( ExtraTrees), extrem gradientförstärkning (XGBoost) och ljusgradientförstärkningsmaskin (LightGBM), såväl som multilayer perceptron (MLP) att utveckla våra modeller.

   I prognosmodellen använder utredarna Cox-modeller för att konstruera överlevnadsmodellen med benmärgscytologiska signatur och kliniska karaktärer.

5. Modellutvärdering och statistisk analys. Utredarna jämför deltagarens kliniska egenskaper med ett oberoende prov t-test för kontinuerliga variabler och χ²-testet för diskreta variabler i SPSS version 22.0 (SPSS, Inc., Chicago, IL, USA). P ≤ 0,05 ansågs vara statistiskt signifikant.

För den diagnostiska modellen använder utredarna både mikro- och makroarea under kurvan (AUC)-mått för att utvärdera modellen i termer av känslighet, specificitet, noggrannhet, positivt prediktivt värde och negativt prediktivt värde vid olika klassificeringströsklar. Modellens prestanda och effektivitet utvärderades på separat testkohort. Studien använder anpassad Python-kod skriven i Python v.3.7.12 för att utvärdera modellens prestanda.

För den prognostiska modellen använder utredarna AUC som prestationsmått och beräknar känslighet och specificitet. Modellen med bäst prestanda på testsetet valdes som den optimala modellen. Överlevnadskurvor konstruerades enligt Kaplan-Meier-metoden.