Интерпретируемый ИИ для диагностики папиллярного рака щитовидной железы: Графовые нейронные сети и базы знаний

Введение в проблему диагностики рака щитовидной железы

Глобальная заболеваемость злокачественными опухолями, включая рак щитовидной железы, неуклонно растет. Папиллярная карцинома щитовидной железы (ПКЩЖ) является одним из наиболее распространенных типов, а ультразвуковая тонкоигольная аспирационная цитология (ТИАЦ) широко признана специфичным и точным методом диагностики узлов щитовидной железы. Исследования показали, что показатель выявления злокачественных опухолей в послеоперационных образцах значительно увеличился после внедрения ТИАЦ, причем папиллярная карцинома щитовидной железы показала наиболее выраженный рост. Эти результаты подчеркивают критически важную роль ТИАЦ в диагностике новообразований щитовидной железы.

Искусственный интеллект в диагностической патологии

В последние годы диагностическая патология все чаще интегрирует технологии искусственного интеллекта (ИИ), в частности сверточные нейронные сети (СНС), для анализа изображений. Исследования демонстрируют высокую эффективность СНС в анализе мазков ТИАЦ щитовидной железы с чувствительностью до 90.48% и специфичностью 83.33%. При прогнозировании природы фолликулярных эпителиальных клеток щитовидной железы СНС достигают чувствительности 92.0% и специфичности 90.5%.

Проблема "черного ящика" в искусственном интеллекте

Несмотря на то, что машины могут достигать высоких показателей в анализе цитологических мазков щитовидной железы с помощью машинного обучения, методы на основе СНС часто страдают от эффекта "черного ящика", когда отсутствие прозрачности в процессе принятия решений ограничивает доверие со стороны патологов и пациентов. Чтобы решить эту проблему, мы исследовали графовые нейронные сети (ГНС), которые моделируют данные в виде графовых структур, позволяя более четко интерпретировать пространственные отношения между признаками.

Материалы и методы исследования

Источники образцов

В этом исследовании были рассмотрены случаи ТИАЦ щитовидной железы из отделения патологии Западно-Китайской больницы Сычуаньского университета в период с апреля по октябрь 2021 года. Цитологические мазки, окрашенные по Папаниколау, с подтвержденными диагнозами папиллярной карциномы щитовидной железы были включены в исследование, а диагнозы были переоценены тринадцатью добровольцами-студентами клинической медицины вместе с двумя опытными патологами в соответствии с системой Bethesda для отчетности по цитопатологии щитовидной железы (TBSRTC). Мазки сканировались с помощью Hamamatsu Nano Zoomer Digital Pathology с разрешением 20×0.46 микрон на пиксель и 40×0.23 микрона на пиксель, а полученные цифровые изображения (формат NDPI) были разделены на обучающий набор, набор для validation и тестовый набор.

Метки ядер

Для аннотации цитологические features ядер ПКЩЖ, включая матово-стекловидные ядра, ядерные бороздки, внутриядерные включения и многоядерные макрофаги, были вручную размечены с помощью программного обеспечения QuPath (версия 0.3.0). Мы определяем клеточные кластеры, которые хотим, чтобы машина распознавала, как области интереса (РОИ), и в которых опухолевые клетки были соответствующим образом помечены. Два патолога проверили все аннотации для обеспечения точности.

Обнаружение клеточных мишеней с помощью каскадной СНС

Модель Cascade CNN использовалась для обнаружения клеток. Процесс включал несколько этапов:

• Аннотированное изображение обрабатывается через базовую сеть для получения карты признаков
• Полученная карта признаков подается на две ветви, одна из которых поступает в сеть генерации регионов (RPN)
• После предсказания сетью RPN получаются координаты определенных features на карте признаков РОИ
• Координаты используются для извлечения features из соответствующего положения в карте признаков
• Локальные features подаются на классификацию и регрессию
• Процесс повторяется с повышением порога Intersection over Union (IoU)
• Финальные результаты получаются после обработки через несколько каскадов

Графовая нейронная сеть (GINet) для feature-based вывода

GINet использовалась для классификации цитологических features на основе семантических графов. Процесс включал:

• Извлечение визуальных features из 2D-входных изображений с использованием предварительно обученной остаточной сети (ResNet)
• Преобразование семантических знаний в word embeddings для получения robust семантических представлений
• Проецирование визуальных features и семантических представлений для построения визуального графа и семантического графа
• Операции graph interaction для enhancement контекстуального reasoning в визуальных графах
• Генерация evolved визуальных графов и улучшение discriminative power каждого локального визуального представления
• Получение финальных результатов parsing с использованием сверточных слоев 1×1 и билинейной up sampling

Результаты исследования

Результаты маркировки ядер

Всего было отсканировано 281 цитологических стекол, в результате чего было идентифицировано 7 246 областей интереса (РОИ), которые включали опухолевые клеточные кластеры, помеченные как "Опухоль". Эти РОИ были разделены на обучающий (5 000), validation (1 000) и тестовый (1 246) наборы. Всего было вручную размечено 46 564 клеток, включая 45 680 матово-стекловидных ядер, 712 ядерных бороздок, 116 внутриядерных псевдовключений и 56 многоядерных макрофагов. Эта детальная аннотация послужила основой для обучения моделей обнаружения и классификации.

Результаты обучения модели Cascade CNN

Модель Cascade CNN обучалась на размеченном наборе данных с порогами Intersection over Union (IoU), установленными на 0.5 и 0.75. Для обучающего набора модель достигла mean average precision (mAP) 0.89 при IoU 0.5 и 0.73 при IoU 0.75. В наборе validation значения mAP составили 0.87 и 0.69 соответственно, что указывает на robust производительность при обоих порогах IoU. Анализ функции потерь показал тенденцию к снижению с увеличением итераций, что свидетельствует о хорошей обученности модели.

Результаты классификации GINet

GINet использовалась для классификации цитологических features на основе семантических графов. Модель достигла mean Intersection over Union (mIoU) 56.14% и коэффициента сходства Dice (DSC) 64.70%, с общей точностью классификации 88.84%. При сравнении с другими методами embedding (FastText, GoogleNews, GloVe), FastText показал slightly лучшие результаты с mIoU 56.14% по сравнению с 56.13% и 56.09% для Google News и GloVe соответственно.

Валидация модели

Обученные модели были валидированы с использованием тестового набора, где Cascade CNN достигла точности 71.39%, recall 75.02%, precision 69.22% и F1-score 72.00% при пороге IoU 0.5. При IoU 0.75 показатели производительности показали slight снижение: точность 68.19%, recall 66.96%, precision 63.19% и F1-score 65.02%.

Переобучение GINet

Хотя GINet достигла высокой точности в классификации большинства цитологических features, наблюдались некоторые признаки переобучения, particularly в классификации внутриядерных псевдовключений. Переобучение повлияло на способность модели к обобщению для более редких features, хотя общая точность оставалась высокой.

Обсуждение результатов

Глобальный рост выявляемости узлов щитовидной железы

Глобальный рост выявления узлов щитовидной железы сделал тонкоигольную аспирационную цитологию (ТИАЦ) золотым стандартом для preoperative диагностики благодаря ее безопасности и точности. Однако получение высококачественных размеченных наборов данных для глубокого обучения в патологии остается серьезной проблемой. Проведенный нами comprehensive обзор исследований по патологической диагностике опухолей щитовидной железы за последнее десятилетие показал, что подавляющее большинство исследований использовали алгоритмы моделей CNN.

Проблема интерпретируемости искусственного интеллекта

Хотя ИИ показал great potential в помощи патологической диагностике, проблема интерпретируемости persists. Без прозрачности clinicians и пациенты могут не доверять辅助diagnostics ИИ, particularly в critical health-related областях. Усилия по улучшению интерпретируемости ИИ должны продолжаться для решения этой проблемы "черного ящика", как подчеркивают различные researchers. Эта проблема также prevalent во всех исследованиях, использующих модели CNN.

Преимущества графовых нейронных сетей

Организационная структура в Whole Slide Imaging (WSI) часто exhibits irregularity и constrained до limited локального receptive поля при capture пространственных relationships. Следовательно, СНС struggle to effectively обрабатывать long-range зависимости или global структуры within изображений. Исследования демонстрируют, что ГНС incorporate механизм attention в процесс aggregation, thereby assigning varying уровни importance к different узлам и more flexibly capturing relationships между neighboring узлами. Несколько исследований corroborated, что ГНС модели exhibit superior производительность в обработке WSI.

Ограничения исследования

Несмотря на promising результаты, это исследование имеет several ограничения. Во-первых, использованный набор данных был relatively small и получен из single центра, что может ограничивать generalizability выводов к broader клиническим settings. Более крупные, multicenter наборы данных required to fully оценить производительность модели across diverse популяций. Во-вторых, хотя комбинация ГНС и баз знаний улучшила интерпретируемость, переобучение, observed в редких цитологических features, таких как внутриядерные псевдовключения, suggests, что further уточнение модели needed to handle такие cases more effectively. Наконец, reliance на ручную маркировку, although более accurate, является time-consuming и может не быть scalable для large-scale приложений. Будущие исследования должны explore automated методы маркировки или hybrid подходы, которые combine manual oversight с AI-based аннотацией для улучшения efficiency при maintaining точности.

Заключение и выводы

Наше исследование демонстрирует, что интеграция графовых нейронных сетей (ГНС) и баз знаний (БЗ) в ИИ-辅助 патологию может significantly улучшить точность и интерпретируемость диагностики цитопатологии щитовидной железы. Модель Cascade CNN, поддерживаемая karyotypic классификацией GINet, оказалась более effective, чем традиционные ИИ модели в идентификации опухолевых клеток. Использование баз знаний further allowed для текстовых объяснений результатов классификации, улучшая credibility ИИ-辅助 диагностики. Этот подход не только помогает в диагностике папиллярной карциномы щитовидной железы (ПКЩЖ), но и provides valuable insights в underlying диагностические reasoning. Эти findings имеют potential информировать разработку ИИ-辅助 диагностических инструментов для full спектра цитопатологии щитовидной железы, advancing precision диагностику в патологии.

Важное достижение: Сочетание графовых нейронных сетей с базами знаний обеспечивает не только высокую точность диагностики (88.84%), но и прозрачность принятия решений, что критически важно для внедрения ИИ в клиническую практику.