Clinical-Grade Interpretable Artificial Intelligence Tool for Automated Detection of Lymph Node Metastasis in Prostate Cancer
Notice bibliographique
Résumé
Lymph node metastasis (LNM) is a critical prognostic factor for prostate cancer and is associated with increased mortality and poor clinical outcomes, necessitating modifications to therapeutic strategies. Manual histopathological evaluation of lymphatic tissue on glass slides is labor intensive, subject to interobserver variability, and prone to error. Deep learning approaches offer substantial promise in enhancing the accuracy and efficiency of LNM detection; however, their efficacy is contingent upon the availability of extensive annotated data sets. In this study, we developed a novel artificial intelligence (AI)-driven model leveraging a limited data set of annotated samples. By identifying and incorporating the most informative instances from unlabeled data into the training process, the model optimizes its learning trajectory through iterative error correction. Validation was performed on independent data sets from 3 academic medical centers, comprising 787 whole slide images and >2000 lymph node tissues. On a combined test set of 165 positive and 622 negative cases, the model achieved an area under the receiver operating characteristic curve of 0.94 (95% CI, 0.92-0.96), with slide-level sensitivity and specificity of 96% (95% CI, 92%-99%) and 92% (95% CI, 89%-94%), respectively. Importantly, the AI algorithm identified micrometastases in 17 cases that were initially missed by pathologists. Although pathologists exhibited a 9% miss rate in micrometastasis detection, the AI model demonstrated a significantly lower miss rate of 3% using the institutional data set, highlighting its potential for clinical deployment. This fully autonomous and reproducible method also significantly reduced slide examination times compared with both general and genitourinary pathologists (P < .001). The proposed method demonstrated interpretability by identifying metastasis regions on whole slide images labeled as positive. Ablation studies substantiate the robustness of the proposed methodology for LNM detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».