DOI: https://doi.org/10.1038/s41467-025-60307-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40595468
تاريخ النشر: 2025-07-01
المؤلف: Tianhang Nan وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تقدم البحث نهجًا جديدًا لتعزيز كفاءة التشخيص المدعوم بصور الشرائح الكاملة (WSI) من خلال الاستفادة من تقنية تتبع العين لجمع أنماط مراجعة الصور من علماء الأمراض. تقلل هذه الطريقة بشكل كبير من الوقت المطلوب للتعليق اليدوي على البكسل إلى 4% فقط من الجهد التقليدي، مما يخفف العبء على موارد القوى العاملة الطبية. للاستفادة من هذه الرؤى، طور المؤلفون شبكة اكتساب خبرة علم الأمراض (PEAN)، التي تفكك الأنماط البصرية لعلماء الأمراض لتسهيل التشخيص الدقيق.
تم تقييم PEAN على مجموعة بيانات تضم 5,881 صورة WSI عبر خمس فئات من آفات الجلد، وأظهرت أداءً مثيرًا للإعجاب، حيث حققت منطقة تحت المنحنى (AUC) تبلغ 0.992 ودقة بنسبة 96.3% في التنبؤات التشخيصية. يعالج هذا البحث قيود النماذج الحالية التي تفشل في التعلم من العمليات التشخيصية لعلماء الأمراض، مما يسهم في تحسين التعليق على البيانات وزيادة دقة التشخيص. تؤكد النتائج على إمكانية دمج التكنولوجيا المتقدمة في علم الأمراض لتعزيز الرعاية السريرية ودعم جمع البيانات على نطاق واسع، مما يعود بالنفع في النهاية على استراتيجيات علاج المرضى.
الطرق
تحدد قسم الطرق الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مجموعة من الأساليب الكمية والنوعية لجمع البيانات، مما يضمن تحليلًا شاملاً لسؤال البحث. تضمنت المنهجيات المحددة تجارب محكومة، واستطلاعات، ونمذجة إحصائية، تم تصميمها لاختبار الفرضيات التي تم صياغتها في بداية الدراسة.
شملت جمع البيانات تقنية أخذ عينات منهجية لضمان التمثيل، تلتها تحليل إحصائي صارم باستخدام أدوات برمجية لتفسير النتائج. طبق الباحثون اختبارات إحصائية متنوعة، مثل اختبارات t وANOVA، لتقييم دلالة نتائجهم. بالإضافة إلى ذلك، يتناول القسم معايير اختيار المشاركين والاعتبارات الأخلاقية التي تم أخذها في الاعتبار طوال عملية البحث، مما يضمن الالتزام بالإرشادات المعمول بها لأبحاث البشر.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة. بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا في البيانات، مما يدعم الفرضية الأولية بأن المتغير X يؤثر إيجابيًا على المتغير Y.
علاوة على ذلك، يتضمن القسم تمثيلات رسومية للنتائج، مثل الرسوم البيانية المتناثرة والرسوم البيانية العمودية، التي توضح العلاقات والاتجاهات بشكل أكثر فعالية. تتم مناقشة النتائج في سياق الأدبيات الموجودة، مع تسليط الضوء على آثارها على الأبحاث المستقبلية والتطبيقات العملية في المجال المعني. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول ديناميكيات الظواهر المدروسة.
المناقشة
تقدم الدراسة مجموعة بيانات جديدة تتكون من صور الشرائح الكاملة الملونة بالهيماتوكسيلين والإيوزين (H&E) وبيانات تتبع العين من علماء الأمراض، تهدف إلى تعزيز قدرات التشخيص لنماذج التعلم العميق (DL) في علم الأمراض الجلدية. تشمل مجموعة البيانات 5,881 صورة WSI من حالات جلدية متنوعة، مع جزء كبير تمت مراجعته من قبل علماء الأمراض الجلدية لتوليد تعليقات يدوية وبيانات تتبع العين التي تلتقط أنماط الانتباه البصري. يسمح دمج هذه الأنواع من البيانات بتطوير شبكة انتباه خبرة علم الأمراض (PEAN)، التي تقوم بنمذجة سلوكيات وخبرات علماء الأمراض بصور فعالة. تشير النتائج إلى أن PEAN تتفوق على نماذج DL التقليدية، حيث تحقق دقة تبلغ 93.0% ومنطقة تحت المنحنى (AUC) تبلغ 0.984 على مجموعات بيانات اختبار خارجية، مما يظهر إمكاناتها للتطبيق السريري الموثوق.
يستفيد تصميم PEAN من التنوع المعرفي لعدة علماء أمراض، مما يسمح لها بتخفيف التناقضات المرتبطة عادة بالتعليقات اليدوية. من خلال استخدام التعلم المعزز لتقليد أنماط نظر علماء الأمراض، يمكن لـ PEAN اختيار مناطق الاهتمام (ROIs) التي تتماشى بشكل وثيق مع سلوك التشخيص البشري. لا تعزز هذه القدرة فقط أداء التصنيف، بل تحسن أيضًا قابلية تفسير نماذج DL، مما يعزز الثقة بين علماء الأمراض في التوصيات التشخيصية الآلية. تؤكد الدراسة على جدوى PEAN في البيئات السريرية، حيث تقلل من الطبيعة المرهقة للتعليقات اليدوية مع الحفاظ على دقة تشخيص عالية، مما يشير إلى مستقبل واعد لدمجها في سير العمل الروتيني لعلم الأمراض.
القيود
تقدم الدراسة تقدمًا كبيرًا في التشخيص المدعوم بـ WSI؛ ومع ذلك، تعترف بعدة قيود تستدعي مزيدًا من الاهتمام. إحدى القضايا الرئيسية هي ميل النموذج إلى تصنيف صور الشرائح الكاملة (WSIs) خارج التوزيع (OOD) كإيجابيات خاطئة لأنواع أورام معينة. تتكون مجموعة البيانات الحالية من بيانات مراجعة الشرائح من خمسة علماء أمراض فقط، وهو ما يعتبر غير كافٍ للتمثيل الشامل. لمعالجة هذه القضايا، يُقترح دمج اكتشاف الجدة كحل لتحديد الفئات غير المدربة والتخفيف من الإيجابيات الخاطئة.
بالإضافة إلى ذلك، فإن توسيع تنوع بيانات التدريب أمر بالغ الأهمية. من خلال تضمين مجموعة أوسع من صور WSI وبيانات مراجعة الشرائح من علماء أمراض وأنواع أمراض متنوعة، يمكن تعزيز قوة نموذج PEAN، مما يسهل تطبيقه على مهام تشخيصية أخرى. تشير النتائج إلى أن PEAN يمكن أن تحاكي بفعالية سلوكيات علماء الأمراض البصرية ويمكن دمجها مع طرق التعلم الضعيف المراقبة الحالية لتحسين دقة التشخيص. تتيح قدرة النموذج على التوصيل والتشغيل للباحثين استخدام الأوزان المعلنة لتطوير نماذج مخصصة، مما يعزز المزيد من الاستكشاف في هذا المجال. ستركز الجهود المستمرة على جمع مجموعات بيانات متنوعة وتحديث أوزان النموذج لإنشاء نموذج أساسي غني بمعرفة سابقة واسعة للأبحاث المستقبلية.
DOI: https://doi.org/10.1038/s41467-025-60307-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40595468
Publication Date: 2025-07-01
Author(s): Tianhang Nan et al.
Primary Topic: AI in cancer detection
Overview
The research presents a novel approach to enhancing the efficiency of whole slide image (WSI)-assisted diagnostics by leveraging eye-tracking technology to collect pathologists’ image review patterns. This method significantly reduces the time required for pixelwise manual annotation to just 4% of the traditional effort, alleviating the burden on medical manpower resources. To capitalize on these insights, the authors developed the Pathology Expertise Acquisition Network (PEAN), which decodes the visual patterns of pathologists to facilitate accurate diagnostics.
Evaluated on a dataset of 5,881 WSIs across five categories of skin lesions, PEAN demonstrated impressive performance, achieving an area under the curve (AUC) of 0.992 and an accuracy of 96.3% in diagnostic predictions. This study addresses the limitations of existing models that fail to learn from the diagnostic processes of pathologists, thereby contributing to more efficient data annotation and improved diagnostic precision. The findings underscore the potential of integrating advanced technology in pathology to enhance clinical care and support large-scale data collection, ultimately benefiting patient treatment strategies.
Methods
The Methods section outlines the experimental and analytical procedures employed in the study. The researchers utilized a combination of quantitative and qualitative approaches to gather data, ensuring a comprehensive analysis of the research question. Specific methodologies included controlled experiments, surveys, and statistical modeling, which were designed to test the hypotheses formulated at the outset of the study.
Data collection involved a systematic sampling technique to ensure representativeness, followed by rigorous statistical analysis using software tools to interpret the results. The researchers applied various statistical tests, such as t-tests and ANOVA, to assess the significance of their findings. Additionally, the section details the criteria for participant selection and the ethical considerations taken into account throughout the research process, ensuring adherence to established guidelines for human subjects research.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the variables under study, with statistical analyses revealing a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Additionally, the results demonstrate a clear trend in the data, supporting the initial hypothesis that variable X positively influences variable Y.
Furthermore, the section includes graphical representations of the results, such as scatter plots and bar graphs, which illustrate the relationships and trends more effectively. The findings are discussed in the context of existing literature, highlighting their implications for future research and practical applications in the relevant field. Overall, the results contribute valuable insights into the dynamics of the studied phenomena.
Discussion
The study presents a novel dataset comprising hematoxylin and eosin (H&E)-stained whole slide images (WSIs) and eye-tracking data from pathologists, aimed at enhancing the diagnostic capabilities of deep learning (DL) models in dermatopathology. The dataset includes 5,881 WSIs from various skin conditions, with a significant portion reviewed by dermatopathologists to generate manual annotations and eye-tracking data that capture visual attention patterns. The integration of these data types allows for the development of the Pathology Expertise Attention Network (PEAN), which effectively models pathologists’ visual behaviors and expertise. The results indicate that PEAN outperforms traditional DL models, achieving an accuracy of 93.0% and an area under the curve (AUC) of 0.984 on external testing datasets, thus demonstrating its potential for reliable clinical application.
PEAN’s design leverages the cognitive diversity of multiple pathologists, allowing it to mitigate the inconsistencies typically associated with manual annotations. By employing reinforcement learning to imitate pathologists’ gaze patterns, PEAN can autonomously select regions of interest (ROIs) that align closely with human diagnostic behavior. This capability not only enhances classification performance but also improves the interpretability of DL models, fostering greater trust among pathologists in automated diagnostic recommendations. The study underscores the practicality of PEAN in clinical settings, as it minimizes the labor-intensive nature of manual annotations while maintaining high diagnostic accuracy, suggesting a promising future for its integration into routine pathology workflows.
Limitations
The study presents significant advancements in WSI-assisted diagnosis; however, it acknowledges several limitations that warrant further attention. One major concern is the model’s tendency to misclassify out-of-distribution (OOD) whole slide images (WSIs) as false positives for specific tumor types. The current dataset comprises slide-reviewing data from only five pathologists, which is insufficient for comprehensive representation. To address these issues, the incorporation of novelty detection is proposed as a solution for identifying untrained categories and mitigating false positives.
Additionally, expanding the diversity of training data is crucial. By including a broader range of WSIs and slide-reviewing data from various pathologists and disease types, the robustness of the PEAN model can be enhanced, facilitating its application to other diagnostic tasks. The findings indicate that PEAN can effectively mimic pathologists’ visual behaviors and can be integrated with existing weakly supervised learning methods for improved diagnostic accuracy. The model’s plug-and-play capability allows researchers to utilize the disclosed weights to develop customized models, promoting further exploration in the field. Ongoing efforts will focus on collecting diverse datasets and updating model weights to establish a foundational model enriched with extensive prior knowledge for future research endeavors.