约翰霍普金斯医学院的一个研究小组创建并训练了一个机器学习模型来计算坏死百分比(PN) -或, 在骨肉瘤患者中，肿瘤“死亡”且不再活跃的比例是多少, a type of bone cancer. 与肌肉骨骼病理学家的结果相比，该模型的计算准确率为85%. 除去一个异常值后，准确率上升到99%.

化疗后PN计算有助于为患者提供生存预后. For example, PN为99%表明99%的肿瘤已经死亡, 这表明化疗是有效的，推荐十大正规网赌平台的存活率提高了. 病理学家通过观察来计算PN, 解释和注释全片图像(wsi), 哪些是标本的薄片(骨组织, 在这种情况下)安装在载玻片上进行显微分析.

“计算PN是一个劳动密集型的过程，需要来自肌肉骨骼病理学家的大量注释数据,” says Christa LiBrizzi, M.D., 该研究的第一作者之一，约翰霍普金斯医学院整形外科的住院医生. “Additionally, it has low interobserver reliability, 这意味着两个试图从相同wsi计算PN的病理学家通常会报告不同的结论. 由于这些因素，我们认为尝试通过替代方法计算PN是值得的.”

该团队试图开发一种“弱监督”机器学习模型, 它需要最少的注释数据进行训练. 以这种方式训练模型意味着使用该模型计算患者PN的肌肉骨骼病理学家只需要向其提供部分注释的wsi, 从而减轻了病理学家的劳动负担.

首先，研究小组从约翰霍普金斯大学的病理档案中收集了包括wsi在内的数据.S. tertiary cancer center. 所有数据均来自髓内骨肉瘤患者, 起源于骨中心的骨肉瘤患者在2011年至2021年间在该中心接受了化疗和手术. 然后，该团队让肌肉骨骼病理学家在每个收集的wsi上部分注释三种类型的组织:活动性肿瘤, dead tumor and non-tumor tissue. 病理学家还估计了每位患者的PN. 利用这些信息，团队开始训练模型.

“我们决定通过教模型识别图像模式来训练它,” says Zhenzhen Wang, 该研究的第一作者之一，约翰霍普金斯大学医学院生物医学工程专业的博士生. “我们将wsi分成数千个小块, 然后根据病理学家对这些斑块的标记方式将它们分成几组. 最后，我们将这些分组的patch输入到模型中进行训练. 我们认为这将给模型提供一个更健壮的参考框架，而不是简单地给它一个大的WSI，冒着只见树木不见森林的风险.”

After being trained, 给模型和肌肉骨骼病理学家6个wsi来解释2个骨肉瘤患者. 结果显示，模型与病理学家的PN计算和组织标记之间有85%的正相关. 该模型并不总是正确标记软骨, 是什么导致了一个异常值，因为一个WSI上有大量的软骨. 当去除了异常值后，相关性增加到99%.

“如果这个模型被验证和生产, 它可以帮助加快对推荐十大正规网赌平台化疗效果的评估——因此, 尽快给他们一个预后评估,” says LiBrizzi. 这将降低医疗成本，并减轻肌肉骨骼病理学家的劳动负担.”

In future studies, 该团队的目标是将软骨组织纳入模型的训练，并使wsi多样化，以包括髓内骨肉瘤以外的其他类型的骨肉瘤.

The study was published online Oct. 5 in the Journal of Orthopaedic Research.