预处理的机器学习模型可能有助于诊断在资源有限的环境中

根据美国癌症研究年度会议上提出的研究，在大量数据集上进行了预定的人工智能模型，在鉴定组织样本数字图像的非甲状腺瘤皮肤癌（NMSC）方面显着优于标准基线模型。AACR 2025），4月25日在芝加哥举行。

研究人员认为，这些先进的，经过验证的机器学习模型可以将基于机器学习的癌症诊断的影响范围扩大到资源有限的设置。该研究同时出版在癌症流行病学，生物标志物与预防。

MD/Ph.D史蒂文歌曲解释说，通常切除，切成薄片并将其安装在幻灯片上以评估专家病理学家的皮肤病变。Pritzker医学院医学科学家培训计划的候选人和芝加哥大学计算机科学系的候选人。

宋说：“但是，在资源有限的设置中，缺乏专家病理学家限制了提供及时，广泛审查和诊断NMSC的能力。”“人工智能和机器学习长期以来一直承诺填补资源空白，但是定制机器学习模型的开发和部署需要大量资源，这些资源可能在许多地方不可用，即计算专家，专业的计算硬件以及大量的策划数据来培训每个模型。”

Song及其同事认为，以前在资源丰富的环境中对大量数据（通常称为“基础模型”）进行过培训的机器学习模型可能是有效的“现成”工具来指导NMSC诊断。Song指出，这可以使机器学习可用于对大型数据集的访问权限或从头开始开发模型所需的专业设备或专家的设置。

在这项研究中，研究人员测试了三种当代基础模型，Uni和Prod-Gigapath的准确性皮肤病变。所有三个基础模型都通过将组织病理学的高分辨率数字图像转换为小图像瓷砖，从瓷砖中提取有意义的特征，并分析这些特征以计算组织包含NMSC的概率。

在2,130个组织载玻片图像上评估了模型诊断NMSC的精度，这些幻灯片图像是孟加拉国维生素E和硒试验的孟加拉国人的553个活检样本。Song说，通过受污染的饮用水接触砷的水平很高会增加该人群中NMSC的风险，从而为研究提供了相关的现实环境。

在2,130张图像中，有706个为正常组织，1,424例已确认NMSC（638例Bowen病例，575例基底细胞癌病例和211例浸润性鳞状细胞癌）。

将三个基础模型的精度与Resnet18的精度进行了比较，Resnet18是一种已建立但较旧的架构，用于图像识别。Song指出：“近十年来，Resnet架构已被用作训练视觉模型的起点，并作为评估新预审预周化基础模型的性能提高的有意义的基线比较。”

这三个较新的基础模型中的每一个都显着胜过RESNET18，在92.5％（PRISM），91.3％（UNI）和90.8％（Prov-Gigapath）的情况下，正确区分NMSC和正常组织的情况与Resnet18的精度为80.5％相比，表现实质性改善。

为了使基础模型更适合用于资源有限的设置，歌曲和同事开发和测试了每个模型的简化版本。研究人员称，简化的模型需要对病理图像数据进行较少广泛的分析，但仍明显胜过RESNET18，精度为88.2％（Prism），86.5％（UNI）和85.5％（Prov-Gigapath），即使复杂性也降低了鲁棒性。

此外，歌曲及其同事开发并应用了一个注释框架，旨在突出这些基础模型确定的组织幻灯片上的癌变区域。该框架不需要在大型数据集上进行培训，而是利用少数活检中癌组织的示例图像。

然后，它比较了病理图像图块与这些例子以识别和注释癌性区域。Song解释说，注释可以帮助用户注意每张幻灯片上感兴趣的区域。

Song说：“总体而言，我们的结果表明，验证的机器学习模型有可能帮助诊断NMSC，这可能在资源有限的设置中特别有益。”“我们的研究还提供了可以推进各种临床应用的基础模型的开发和适应的见解。”

该研究的一个局限性是对来自孟加拉国的单个患者队列进行了评估，这可能会限制调查结果对其他人群的普遍性。另一个限制是，虽然研究从资源有限的设置的角度进行了分析，但它没有检查部署验证的实际细节机器学习在这种设置中的模型。

“尽管我们的研究将基础模型作为帮助NMSC诊断的资源有效工具，但我们承认我们仍然没有直接影响病人护理并且需要进一步的工作来解决实际的注意事项，例如数字病理基础架构的可用性，互联网连接，集成到临床工作流程和用户培训中，” Song指出。