DOI: https://doi.org/10.1371/journal.pone.0340186
PMID: https://pubmed.ncbi.nlm.nih.gov/41481616
تاريخ النشر: 2026-01-02
المؤلف: Zhixian Zhou وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تقدم البحث نموذج تعلم عميق متعدد الحالات تحت إشراف ضعيف (DSMIL) مصمم لتصنيف صور الشرائح الكاملة الملونة بصبغة الهيماتوكسيلين والإيوزين (WSIs) من الأنسجة الرحمية، مع معالجة تحدي نقص طرق الفحص الموثوقة لسرطان الرحم (EC). من خلال تحليل 885 صورة شريحة من 442 مريضًا، حقق النموذج متوسط منطقة تحت منحنى التشغيل الاستقبالي (AUROC) مثير للإعجاب قدره 0.9776 عبر أربع فئات: EC، فرط تنسج بطانة الرحم غير النمطي (AEH)، فرط تنسج بطانة الرحم بدون نمط غير نمطي (EH)، وبطانة رحم طبيعية (NE). ومن الجدير بالذكر أن AUROCs بين الفئات كانت 0.9876 لـ EC، 0.9600 لـ AEH، 0.9771 لـ EH، و0.9855 لـ NE، متجاوزة أداء خوارزميات أخرى مثل TransMSL وCLAM وABMIL، التي حققت دقة متوسطة قدرها 0.8914.
يسلط الدراسة الضوء على إمكانيات DSMIL كأداة موثوقة في علم الأمراض الحاسوبي لتصنيف الآفات الرحمية وتوصيف الخلايا غير النمطية، التي أظهرت زيادة في الكثافة والحجم والمحيط، إلى جانب انخفاض في نسب المحاور مقارنة بالخلايا الطبيعية. يتم وضع سير العمل المقترح في علم الأمراض الرقمية كأداة تشخيصية مساعدة فعالة ودقيقة لأمراض الرحم، مع آثار سريرية كبيرة على إدارة المرضى وقرارات العلاج الجراحي. تم التخطيط لدراسات مستقبلية واسعة النطاق ومتعددة المراكز للتحقق من صحة هذا النهج، مما يبرز أهميته للتطبيق السريري.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على زيادة معدلات الإصابة والوفيات من سرطان الرحم (EC)، الذي يُعتبر أكثر أنواع السرطان النسائي انتشارًا على مستوى العالم. على الرغم من الحاجة الملحة للتشخيص المبكر والدقيق لتحسين خيارات العلاج والحفاظ على الخصوبة، تظل طرق الفحص الحالية غير كافية. تصنيف خزعة الأنسجة النسيجية هو المعيار الذهبي لتشخيص الآفات الرحمية؛ ومع ذلك، يمكن أن تؤدي التحديات مثل نقص أطباء الأمراض ووجهات النظر الذاتية إلى تشخيص خاطئ. يقترح المؤلفون دمج الذكاء الاصطناعي (AI) لتعزيز دقة وكفاءة التشخيص، مما يسهل التدخل السريري المبكر.
تؤكد الورقة على أهمية التمييز بين فرط تنسج بطانة الرحم غير النمطي (AEH) وفرط تنسج بطانة الرحم (EH)، حيث أن الأول غالبًا ما يتطلب علاجًا جذريًا بينما قد يسمح الثاني بالعلاجات التي تحافظ على الخصوبة. تقدم الدراسة إطار عمل للتعلم متعدد الحالات تحت إشراف ضعيف (MIL) مصمم لتحليل الصور النسيجية الرحمية، مما يمكّن من التمييز السريع والدقيق بين EC وAEH وEH وبطانة رحم طبيعية. من خلال استخدام آلية الانتباه، يحدد إطار MIL الميزات النسيجية الرئيسية، مما قد يقلل من الوقت الذي يقضيه أطباء الأمراض في تحليل الصور. لقد أظهر النموذج وعدًا في الكشف الدقيق عن الخلايا غير النمطية في AEH وEC، مما يدعم اتخاذ قرارات جراحية في الوقت المناسب في الممارسة السريرية. بشكل عام، تهدف هذه الدراسة إلى تحسين عملية التشخيص لأمراض الرحم من خلال منهجيات الذكاء الاصطناعي المتقدمة.
الطرق
تحدد الورقة البحثية سير عمل شامل لتحليل صور الشرائح الكاملة (WSIs) من خلال منهجية من ثلاث مراحل. في البداية، في مرحلة معالجة صور الشرائح، يتم القضاء على المناطق غير النسيجية باستخدام طريقة OTSU، ويتم تقسيم الأنسجة المتبقية إلى قطع صور بحجم 256 لاستخراج الميزات لاحقًا. خلال مرحلة التعلم متعدد الحالات (MIL)، يتم استخدام شبكة ResNet50 لاستخراج الميزات النسيجية والبنائية الحرجة من هذه القطع، والتي تعتبر أساسية للتمييز بين الفئات المختلفة. يتم تجميع الميزات من القطع لإنشاء تمثيل على مستوى الشريحة، مع استخدام التجميع الأقصى لتحديد القطع الأكثر صلة. يتم حساب تشابه جيب التمام لاستكشاف العلاقات بين القطع، مما يسهل تصنيف الفئات بشكل فعال.
في مرحلة القابلية للتفسير، تساعد درجات الانتباه المستمدة من تشابه جيب التمام في اختيار أفضل 20 قطعة. تُستخدم هذه القطع بعد ذلك لتقسيم مناطق الغدد وتصنيف الخلايا، مما يوفر وسيلة للتحقق من دقة عملية استخراج الميزات. لا تعزز هذه الطريقة المنظمة قدرات تصنيف النموذج فحسب، بل تضمن أيضًا القابلية للتفسير، مما يساهم في الفعالية العامة للتحليل.
النتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح بشكل منهجي النتائج، مع تسليط الضوء على نقاط البيانات والاتجاهات المهمة التي لوحظت خلال الدراسة. غالبًا ما تكون النتائج مصحوبة بتحليلات إحصائية ذات صلة، مما يظهر قوة النتائج.
بالإضافة إلى ذلك، يتم تقديم أي علاقات رياضية أو معادلات ظهرت من البيانات، مثل $a^2 + b^2 = c^2$، حيثما كان ذلك مناسبًا. قد يتضمن القسم أيضًا تمثيلات بصرية، مثل الرسوم البيانية أو الجداول، لتسهيل فهم النتائج المعقدة. بشكل عام، يخدم هذا القسم لتقديم ملخص واضح وموجز للأدلة التجريبية التي تدعم فرضيات البحث.
المناقشة
في هذه الدراسة، قمنا بتطوير خط أنابيب تعلم عميق تحت إشراف ضعيف، يسمى DSMIL، لتصنيف الآفات الرحمية من صور الشرائح الكاملة الملونة بصبغة الهيماتوكسيلين والإيوزين (H&E). تم تدريب النموذج على مجموعة بيانات من 885 شريحة مرضية، تشمل أربع فئات: سرطان بطانة الرحم (EC)، فرط تنسج بطانة الرحم غير النمطي (AEH)، فرط تنسج بطانة الرحم (EH)، وبطانة رحم طبيعية (NE). أظهر نموذج DSMIL أداءً عاليًا، محققًا متوسط منطقة تحت منحنى التشغيل الاستقبالي (AUROC) قدره 0.9776 ودقة قدرها 0.8914 على مجموعة بيانات الاختبار. ومن الجدير بالذكر أنه تفوق على نماذج أخرى موجودة، مثل TransMIL وCLAM وABMIL، في دقة التشخيص والموثوقية.
تم تعزيز قابلية تفسير نموذج DSMIL من خلال إنشاء خرائط حرارة الانتباه، التي سلطت الضوء على المناطق الرئيسية داخل WSIs التي ساهمت في قرارات التصنيف. تتيح هذه الميزة فهمًا أفضل لتركيز النموذج على الميزات النسيجية، مما يتماشى مع التقييمات البصرية البشرية. بالإضافة إلى ذلك، استخدمت الدراسة نماذج nnU-Net v2 وHoverNet لتقسيم فعال لخلايا الظهارة الغدية، مما يكشف عن اختلافات مورفولوجية كبيرة بين الخلايا غير النمطية والطبيعية. تشير النتائج إلى أن DSMIL هو أداة واعدة للتشخيص المساعد للآفات الرحمية، مع آثار محتملة لتحسين اتخاذ القرارات السريرية وتقليل معدلات التشخيص الخاطئ. ستركز الأعمال المستقبلية على التحقق من صحة هذا النهج من خلال دراسات متعددة المراكز وتحسين النموذج للنشر السريري.
DOI: https://doi.org/10.1371/journal.pone.0340186
PMID: https://pubmed.ncbi.nlm.nih.gov/41481616
Publication Date: 2026-01-02
Author(s): Zhixian Zhou et al.
Primary Topic: AI in cancer detection
Overview
The research presents a weakly supervised deep multi-instance learning model (DSMIL) designed to classify hematoxylin and eosin-stained whole-slide images (WSIs) of endometrial tissue, addressing the challenge of limited reliable screening methods for endometrial cancer (EC). Analyzing 885 WSIs from 442 patients, the model achieved an impressive average area under the receiver operating characteristic curve (AUROC) of 0.9776 across four classes: EC, atypical endometrial hyperplasia (AEH), endometrial hyperplasia without atypia (EH), and normal endometrium (NE). Notably, the interclass AUROCs were 0.9876 for EC, 0.9600 for AEH, 0.9771 for EH, and 0.9855 for NE, surpassing the performance of other algorithms such as TransMSL, CLAM, and ABMIL, which had an average accuracy of 0.8914.
The study highlights the potential of DSMIL as a reliable computational pathology tool for classifying endometrial lesions and characterizing atypical cells, which exhibited increased density, size, and perimeter, alongside reduced axis ratios compared to normal cells. The proposed digital pathology workflow is positioned as an efficient and accurate auxiliary diagnostic tool for endometrial diseases, with significant clinical implications for patient management and surgical treatment decisions. Future large-scale, multi-center studies are planned to validate this approach, emphasizing its importance for clinical application.
Introduction
The introduction of this research paper highlights the increasing incidence and mortality rates of endometrial cancer (EC), which is the most prevalent gynecological cancer globally. Despite the critical need for early and accurate diagnosis to improve treatment options and preserve fertility, current screening methods remain inadequate. Histopathological biopsy classification is the gold standard for diagnosing endometrial lesions; however, challenges such as a shortage of pathologists and subjective interpretation can lead to misdiagnosis. The authors propose the integration of artificial intelligence (AI) to enhance diagnostic accuracy and efficiency, thereby facilitating early clinical intervention.
The paper emphasizes the importance of distinguishing between atypical endometrial hyperplasia (AEH) and endometrial hyperplasia (EH), as the former often necessitates radical treatment while the latter may allow for fertility-preserving therapies. The study introduces a weakly supervised multi-instance learning (MIL) framework designed to analyze endometrial histopathological images, enabling rapid and precise differentiation among EC, AEH, EH, and normal endometrium. By employing an attention mechanism, the MIL framework identifies key pathological features, potentially reducing the time pathologists spend on image analysis. The model has shown promise in accurately detecting atypical cells in AEH and EC, thus supporting timely surgical decisions in clinical practice. Overall, this research aims to improve the diagnostic process for endometrial diseases through advanced AI methodologies.
Methods
The research paper outlines a comprehensive workflow for analyzing whole slide images (WSIs) through a three-stage methodology. Initially, in the WSI preprocessing phase, non-tissue regions are eliminated using the OTSU method, and the remaining tissue is segmented into image patches of size 256 for subsequent feature extraction. During the Multiple Instance Learning (MIL) phase, the ResNet50 network is utilized to extract critical texture and structural features from these patches, which are essential for differentiating between various categories. The features from the patches are aggregated to create a slide-level representation, with max pooling employed to identify the most relevant patches. Cosine similarity is calculated to explore inter-patch relationships, facilitating effective category classification.
In the interpretability phase, attention scores derived from cosine similarity help in selecting the top 20 patches. These patches are then used for glandular region segmentation and cell classification, providing a means to validate the accuracy of the feature extraction process. This structured approach not only enhances the model’s classification capabilities but also ensures interpretability, thereby contributing to the overall effectiveness of the analysis.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It systematically outlines the outcomes, highlighting significant data points and trends observed during the study. The results are often accompanied by relevant statistical analyses, demonstrating the robustness of the findings.
Additionally, any mathematical relationships or equations that emerged from the data are presented, such as $a^2 + b^2 = c^2$, where applicable. The section may also include visual representations, such as graphs or tables, to facilitate the understanding of complex results. Overall, this section serves to provide a clear and concise summary of the empirical evidence supporting the research hypotheses.
Discussion
In this study, we developed a weakly supervised deep learning pipeline, termed DSMIL, for the classification of endometrial lesions from digitized hematoxylin and eosin (H&E) stained whole-slide images (WSIs). The model was trained on a dataset of 885 pathology slides, encompassing four categories: endometrial carcinoma (EC), atypical endometrial hyperplasia (AEH), endometrial hyperplasia (EH), and normal endometrium (NE). The DSMIL model demonstrated high performance, achieving a macro-average area under the receiver operating characteristic curve (AUROC) of 0.9776 and an accuracy of 0.8914 on the test dataset. Notably, it outperformed other existing models, such as TransMIL, CLAM, and ABMIL, in diagnostic accuracy and robustness.
The interpretability of the DSMIL model was enhanced through the generation of attention heatmaps, which highlighted key regions within the WSIs that contributed to classification decisions. This feature allows for a better understanding of the model’s focus on pathological features, aligning with human visual assessments. Additionally, the study employed nnU-Net v2 and HoverNet models for effective segmentation of glandular epithelial cells, revealing significant morphological differences between atypical and normal cells. The findings suggest that DSMIL is a promising tool for the auxiliary diagnosis of endometrial lesions, with potential implications for improving clinical decision-making and reducing misdiagnosis rates. Future work will focus on validating this approach through multi-center studies and optimizing the model for clinical deployment.