盛霞 徐晨 朱剑 袁伟 蒋雪兵 熊海云 王书浩 朱虹光
目的:分析胃癌的临床病理特征,评估基于机器学习的单病种病理切片标注技术在胃癌病理图像初筛系统中的临床应用价值。方法:收集2023年3月至2024年3月复旦大学附属中山医院病理科的600例胃肿瘤苏木精-伊红(HE)染色法染色切片并扫描成数字切片,按照2:1的比例分为400例训练集和200例内部验证集。训练集由高级职称病理医师进行像素级标注,并进行病理分型,基于R-CNN建立胃癌区域检测与分类模型,结合ResNet-50-DeepLabv3+与ce_jaccard_loss实现病灶区域精确分割。将胃肿瘤组织切片图像癌区分类模型的参数作为初始值,并经过深度迁移学习算法,以Adam作为优化器对胃癌区分类模型进行二次训练优化。再利用内部测试集和复旦大学附属闵行医院病理科的300例胃肿瘤HE切片图像作为外部测试集,对已建立的辅助诊断模型进行性能评估。结果:内部验证集中,单标注从零学习模型的准确率及 AUC分别为0.836、0.917,双标注分别为0.867、0.932;迁移学习模型中,单标注准确率及 AUC分别为0.922、0.942,双标注为0.926、0.953。外部验证集中,单标注从零学习模型准确率及 AUC分别为0.865、0.916,双标注准确率及 AUC分别为0.873、0.924;迁移学习模型中,单标注准确率及 AUC分别为0.921、0.925,双标注准确率及 AUC分别为0.933、0.958。结论:双标注模型能够精准识别并标注出病理图像中的胃癌区域,灵敏度和特异度较好,有助于在实际应用中辅助诊断。