深度学习用于根治性前列腺切除术荧光共聚焦显微镜图像解读

目的：开发并验证一种深度学习模型，用于解读荧光共聚焦显微镜图像，以用于根治性前列腺切除术中的术中手术切缘评估。患者与方法：使用来自多中心IP8-FLUORESCE研究的荧光共聚焦显微镜图像来训练和测试卷积神经网络模型。改进后的模型结合了焦点损失与标签平滑、Dropout正则化、自适应类别加权和加权采样，以解决显著的类别不平衡问题。图像通过提取指定数字缩放级别的感兴趣区域并进行归一化至896×896像素进行预处理。参考标准是由专家组织病理学家评估的常规组织病理学的手术切缘状态。诊断性能使用灵敏度、特异性、阳性和阴性预测值、受试者工作特征曲线下面积以及通过Brier分数进行的校准来评估。外部验证使用了来自LaserSAFE可行性试验的独立数据集。使用梯度加权类激活映射评估了模型的可解释性，并开发了自定义图形用户界面以支持实时部署。结果：共有275张图像（来自24名患者的37张肿瘤图像和238张良性图像）被纳入模型开发和内部测试。在内部测试集上，模型实现了87.5%的灵敏度、97.9%的特异性和0.93的AUC，且校准良好。使用46张独立图像进行的外部验证产生了91.3%的灵敏度、73.9%的特异性和0.83的AUC，校准可接受。Grad-CAM可视化与FCM图像上的恶性结构一致，并且GUI能够在<2秒内实现快速、可解释的预测。结论：我们开发并验证了一种用于解读RP标本FCM图像的深度学习模型，该模型展示了强大的判别性能和自动化FCM解读的泛化能力。该方法代表了一种用于实时术中切缘评估的可扩展解决方案，并可能减少对术中病理支持的依赖。