DOI: https://doi.org/10.1038/s41598-024-83267-w
PMID: https://pubmed.ncbi.nlm.nih.gov/39314500
تاريخ النشر: 2025-01-18
المؤلف: Siyu Lin وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
في السنوات الأخيرة، أظهرت الشبكات العصبية العميقة (DNNs) قدرات استثنائية في علم الأمراض، وغالبًا ما تتجاوز خبراء علم الأمراض من خلال تعلم ميزات معقدة من مجموعات بيانات واسعة. ومع ذلك، تنشأ تحديات كبيرة من التباين في الخصائص اللونية لصور علم الأمراض الرقمية، مما يستلزم تطبيع الصبغة. تكشف هذه الدراسة أن نموذج DNN، الذي كان فعالًا سابقًا في تحديد سرطان الرئة غير صغير الخلايا (NSCLC) في مراحله المبكرة من الشرائح النسيجية، فشل في التعميم عبر دفعات مختلفة من الشرائح المعدة في أوقات منفصلة، على الرغم من تطبيق تقنيات تطبيع الصبغة. تراوح مجال النموذج تحت المنحنى (AUC) للتنبؤات عبر الدفعات من 0.52 إلى 0.53، في تناقض صارخ مع AUC من 0.74 إلى 0.81 للتنبؤات داخل نفس الدفعة.
تؤكد النتائج على قيود طرق تطبيع الصبغة الحالية، بما في ذلك تقنيات ضبط اللون التقليدية وطرق شبكة الخصومة التوليدية الدورية (CycleGAN)، التي لم تعزز من قدرات التعميم. وهذا يبرز الحاجة الملحة إلى منهجيات مبتكرة لضمان معالجة وجمع متسق لصور المجهر من الشرائح النسيجية، مما يمكّن التدريب الفعال وتطبيق خوارزميات DNN التنبؤية. على الرغم من التقدم في DNNs للتطبيقات الطبية الحيوية، بما في ذلك التصنيفات الناجحة في أنواع مختلفة من السرطان، تؤكد الدراسة أن DNNs لا تزال عرضة للتغيرات الخارجية، لا سيما في الخصائص اللونية، مما يمكن أن يعيق أدائها في البيئات السريرية الواقعية.
الطرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، بالإضافة إلى البروتوكولات المتبعة لضمان إمكانية التكرار. تشمل المنهجية تقنيات أخذ العينات، عمليات جمع البيانات، والأساليب التحليلية المطبقة لتقييم النتائج.
بالإضافة إلى ذلك، قد يصف القسم أي تحليلات إحصائية تم إجراؤها لتفسير البيانات، بما في ذلك البرامج المستخدمة والعتبات الدالة المحددة. بشكل عام، يخدم هذا القسم لتقديم نظرة شاملة على الإطار التجريبي، مما يمكّن الباحثين الآخرين من تكرار الدراسة والتحقق من نتائجها.
النتائج
تستكشف نتائج هذه الدراسة تأثير تباين اللون على قدرة الشبكات العصبية العميقة (DNNs) على التنبؤ بانتشار سرطان الرئة غير صغير الخلايا (NSCLC) من الصور النسيجية. تم تحليل دفعتين من الشرائح الملونة بـ H&E: الدفعة A، التي كانت موحدة في الصبغة وتم الإبلاغ عنها سابقًا بـ AUC قدره 0.96، والدفعة B، التي أظهرت خصائص صبغ مختلفة على الرغم من إعدادها من قطع أنسجة مجاورة. أظهرت نماذج DNN المدربة على الدفعة A قدرة تنبؤية قوية (AUC نفس الدفعة = 0.81) عند اختبارها على نفس الدفعة لكنها فشلت في التعميم على الدفعة B (AUC عبر الدفعات = 0.53).
استخدمت التجارب الإضافية تطبيع اللون التقليدي (طريقة فاهاداني) ونهج CycleGAN، مما حسن درجات AUC لنفس الدفعة إلى 0.96 و0.93، على التوالي. ومع ذلك، لم تعزز كلا الطريقتين للتطبيع من التعميم عبر الدفعات، حيث حققت درجات AUC قدرها 0.60 و0.61، على التوالي. تشير هذه النتائج إلى أنه بينما يمكن أن يحسن تطبيع اللون الأداء على بيانات نفس الدفعة، إلا أنه لا يعالج بشكل كافٍ التحديات التي تطرحها التباينات في الصبغة عبر دفعات مختلفة. تختتم الدراسة بأن طرق تطبيع اللون الحالية غير كافية لتحقيق أداء متسق لـ DNN عبر مجموعات بيانات ذات ملفات صبغ مختلفة، كما يتضح من عدم القدرة على تقليل التباين بين الشرائح في توزيعات كثافة البكسل.
المناقشة
في هذه الدراسة، بحثنا قدرة الشبكات العصبية العميقة (DNNs) على التنبؤ بالانتشار في مرضى سرطان الرئة غير صغير الخلايا (NSCLC) بناءً على الشرائح النسيجية المعدة في ظروف متسقة. تم تحليل مجموعة من 154 مريضًا، حيث تطور 63 منهم انتشارًا إلى الجهاز العصبي المركزي. على الرغم من إثبات أن DNNs يمكن أن تتنبأ بفعالية بالنتائج ضمن دفعات الشرائح المعدة في نفس الوقت، وجدنا أن النماذج فشلت في التعميم عند تطبيقها على الشرائح المعالجة في أوقات مختلفة، حتى ضمن نفس المختبر. تم عزو هذا النقص في التعميم إلى الاختلافات اللونية التي استمرت على الرغم من تطبيق تقنيات تطبيع اللون المختلفة، التي لم تخفف بشكل كافٍ من تباينات الصبغة.
تشير النتائج إلى أنه بينما تتواجد المعلومات التنبؤية اللازمة في الشرائح النسيجية، فإن الاختلافات الجوهرية في الصبغة تمنع التطبيق الفعال لخوارزميات DNN عبر الدفعات. لتعزيز قدرة DNNs على التعميم في علم الأمراض الرقمي، تدعو الدراسة إلى تحسين بروتوكولات التصوير ومعالجة العينات، مع إمكانية الابتعاد عن طرق الصبغ التقليدية مثل الهيماتوكسيليين والإيوزين (H&E) نحو تقنيات التصوير بدون صبغة. يمكن أن تسهل هذه التقدمات تطوير نماذج DNN أكثر قوة قادرة على تحليل التحضيرات النسيجية عبر أوقات ومواقع مختلفة، مما يوسع من قابليتها للتطبيق في البيئات السريرية.
DOI: https://doi.org/10.1038/s41598-024-83267-w
PMID: https://pubmed.ncbi.nlm.nih.gov/39314500
Publication Date: 2025-01-18
Author(s): Siyu Lin et al.
Primary Topic: AI in cancer detection
Overview
In recent years, deep neural networks (DNNs) have shown exceptional capabilities in pathology, often surpassing expert pathologists by learning intricate features from extensive datasets. However, a significant challenge arises from the variability in tinctorial qualities of digital pathology images, which necessitates stain normalization. This study reveals that a DNN model, previously effective in identifying early-stage non-small cell lung cancer (NSCLC) from histological slides, failed to generalize across different batches of slides prepared at separate times, despite applying stain normalization techniques. The model’s area under the curve (AUC) for cross-batch predictions ranged from 0.52 to 0.53, in stark contrast to an AUC of 0.74 to 0.81 for same-batch predictions.
The findings underscore the limitations of current stain normalization methods, including traditional color-tuning and Cycle Generative Adversarial Network (CycleGAN) approaches, which did not enhance generalization capabilities. This highlights the urgent need for innovative methodologies to ensure consistent processing and collection of microscopy images from histologic slides, enabling the effective training and application of predictive DNN algorithms. Despite the advancements in DNNs for biomedical applications, including successful classifications in various cancer types, the study emphasizes that DNNs remain susceptible to extraneous variations, particularly in tinctorial qualities, which can hinder their performance in real-world clinical settings.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as the protocols followed to ensure reproducibility. The methodology encompasses the sampling techniques, data collection processes, and analytical methods applied to evaluate the results.
Additionally, the section may describe any statistical analyses conducted to interpret the data, including the software used and the significance thresholds established. Overall, this section serves to provide a comprehensive overview of the experimental framework, enabling other researchers to replicate the study and validate its findings.
Results
The results of this study investigate the influence of color variation on the generalizability of deep neural networks (DNNs) in predicting non-small cell lung cancer (NSCLC) metastasis from histological images. Two batches of H&E stained slides were analyzed: Batch A, which was uniform in staining and previously reported with an AUC of 0.96, and Batch B, which exhibited different staining characteristics despite being prepared from adjacent tissue cuts. The DNN models trained on Batch A demonstrated a strong predictive capability (AUC same-batch = 0.81) when tested on the same batch but failed to generalize to Batch B (AUC cross-batch = 0.53).
Further experiments employed traditional color normalization (Vahadane method) and a CycleGAN approach, which improved AUC same-batch scores to 0.96 and 0.93, respectively. However, both normalization techniques did not enhance cross-batch generalization, yielding AUC scores of 0.60 and 0.61, respectively. These findings suggest that while color normalization can improve performance on same-batch data, it does not adequately address the challenges posed by variations in staining across different batches. The study concludes that existing color normalization methods are insufficient for achieving consistent DNN performance across datasets with differing staining profiles, as evidenced by the inability to reduce slide-to-slide variation in pixel intensity distributions.
Discussion
In this study, we investigated the ability of deep neural networks (DNNs) to predict metastasis in non-small cell lung cancer (NSCLC) patients based on histologic slides prepared under consistent conditions. A cohort of 154 patients was analyzed, with 63 developing metastasis to the central nervous system. Despite demonstrating that DNNs could effectively predict outcomes within batches of slides prepared at the same time, we found that the models failed to generalize when applied to slides processed at different times, even within the same laboratory. This lack of generalizability was attributed to tinctorial differences that persisted despite the application of various color normalization techniques, which did not sufficiently mitigate staining variations.
The findings suggest that while the necessary predictive information is present in the histologic slides, the inherent differences in staining prevent effective cross-batch application of DNN algorithms. To enhance the generalizability of DNNs in digital pathology, the study advocates for improved imaging and sample processing protocols, potentially moving away from traditional staining methods like hematoxylin and eosin (H&E) towards label-free imaging techniques. Such advancements could facilitate the development of more robust DNN models capable of analyzing histologic preparations across different times and locations, thus broadening their applicability in clinical settings.