A. Nivaggioli , N. Pozin , M. Clavel , R. Peyret , S. Sockeel , S. Mazellier , C. Lefebvre , V. Rouleau , M. Sockeel , A. Gauthier , S. Kammer-Jacquet
{"title":"数字皮肤病理学辅助诊断：自动检测恶性病变","authors":"A. Nivaggioli , N. Pozin , M. Clavel , R. Peyret , S. Sockeel , S. Mazellier , C. Lefebvre , V. Rouleau , M. Sockeel , A. Gauthier , S. Kammer-Jacquet","doi":"10.1016/j.annpat.2024.04.007","DOIUrl":null,"url":null,"abstract":"<div><h3>Introduction</h3><p>La grande majorité des lésions malignes en dermatopathologie sont des carcinomes basocellulaires (CBC), des carcinomes épidermoïdes (CEC), ou des mélanomes.</p></div><div><h3>Objectif</h3><p>La détection automatique de telles lésions et la mesure automatisée de l’épaisseur de la lésion et des marges pourraient aider les pathologistes à établir des diagnostics plus rapides et plus précis.</p></div><div><h3>Matériel et méthode</h3><p>Nous avons rassemblé et annoté 1795 lames digitalisées contenant à la fois des lésions malignes et bénignes, ainsi que des tissus sains. Nous utilisons une méthode basée sur le <em>Deep Feature Learning</em> [1] pour entraîner un classificateur sur des patchs à un zoom<!--> <!-->×<!--> <!-->20 afin d’identifier le mélanome, le CBC ou le CEC. Des méthodes basées sur la vision par ordinateur permettent ensuite de mesurer automatiquement l’épaisseur de la lésion, la marge profonde et latérale.</p><p>Le dataset test comprend 392 lames des lésions malignes les plus courantes, ainsi que 500 lames de tissu sain ou de lésions bénignes.</p></div><div><h3>Résultats</h3><p>Le score F1 de notre modèle de classification pour la détection de lésions malignes est de 0,892. La précision équilibrée de notre modèle à prédire le diagnostic du mélanome, du CBC ou du CEC est de 0,965. Au niveau des patchs, il est capable de détecter une lésion maligne avec une AUC (aire sous la courbe) de précision-rappel de 0,946. Les mesure obtenues sont concordantes avec celles mesurées à l’oculomètre par les médecins anatomopathologistes, et une étude de validation clinique est en cours.</p></div><div><h3>Discussion/conclusion</h3><p>Nous proposons le premier algorithme capable de localiser et identifier les lésions malignes cutanées sur lame numérisée, tout en mesurant automatiquement l’épaisseur et les marges. Les développements en cours devraient encore améliorer les résultats, permettre la détection de lésions bénignes et de sous-typer les lésions malignes, et classer les dossiers par type de lésion.</p></div>","PeriodicalId":50969,"journal":{"name":"Annales De Pathologie","volume":"44 4","pages":"Page 304"},"PeriodicalIF":0.5000,"publicationDate":"2024-07-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Diagnostic assisté en dermatopathologie digitale : détection automatique de lésions malignes\",\"authors\":\"A. Nivaggioli , N. Pozin , M. Clavel , R. Peyret , S. Sockeel , S. Mazellier , C. Lefebvre , V. Rouleau , M. Sockeel , A. Gauthier , S. Kammer-Jacquet\",\"doi\":\"10.1016/j.annpat.2024.04.007\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"<div><h3>Introduction</h3><p>La grande majorité des lésions malignes en dermatopathologie sont des carcinomes basocellulaires (CBC), des carcinomes épidermoïdes (CEC), ou des mélanomes.</p></div><div><h3>Objectif</h3><p>La détection automatique de telles lésions et la mesure automatisée de l’épaisseur de la lésion et des marges pourraient aider les pathologistes à établir des diagnostics plus rapides et plus précis.</p></div><div><h3>Matériel et méthode</h3><p>Nous avons rassemblé et annoté 1795 lames digitalisées contenant à la fois des lésions malignes et bénignes, ainsi que des tissus sains. Nous utilisons une méthode basée sur le <em>Deep Feature Learning</em> [1] pour entraîner un classificateur sur des patchs à un zoom<!--> <!-->×<!--> <!-->20 afin d’identifier le mélanome, le CBC ou le CEC. Des méthodes basées sur la vision par ordinateur permettent ensuite de mesurer automatiquement l’épaisseur de la lésion, la marge profonde et latérale.</p><p>Le dataset test comprend 392 lames des lésions malignes les plus courantes, ainsi que 500 lames de tissu sain ou de lésions bénignes.</p></div><div><h3>Résultats</h3><p>Le score F1 de notre modèle de classification pour la détection de lésions malignes est de 0,892. La précision équilibrée de notre modèle à prédire le diagnostic du mélanome, du CBC ou du CEC est de 0,965. Au niveau des patchs, il est capable de détecter une lésion maligne avec une AUC (aire sous la courbe) de précision-rappel de 0,946. Les mesure obtenues sont concordantes avec celles mesurées à l’oculomètre par les médecins anatomopathologistes, et une étude de validation clinique est en cours.</p></div><div><h3>Discussion/conclusion</h3><p>Nous proposons le premier algorithme capable de localiser et identifier les lésions malignes cutanées sur lame numérisée, tout en mesurant automatiquement l’épaisseur et les marges. Les développements en cours devraient encore améliorer les résultats, permettre la détection de lésions bénignes et de sous-typer les lésions malignes, et classer les dossiers par type de lésion.</p></div>\",\"PeriodicalId\":50969,\"journal\":{\"name\":\"Annales De Pathologie\",\"volume\":\"44 4\",\"pages\":\"Page 304\"},\"PeriodicalIF\":0.5000,\"publicationDate\":\"2024-07-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Annales De Pathologie\",\"FirstCategoryId\":\"3\",\"ListUrlMain\":\"https://www.sciencedirect.com/science/article/pii/S0242649824000828\",\"RegionNum\":4,\"RegionCategory\":\"医学\",\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"Q4\",\"JCRName\":\"PATHOLOGY\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Annales De Pathologie","FirstCategoryId":"3","ListUrlMain":"https://www.sciencedirect.com/science/article/pii/S0242649824000828","RegionNum":4,"RegionCategory":"医学","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"PATHOLOGY","Score":null,"Total":0}
引用次数: 0
摘要
导言皮肤病理学中的绝大多数恶性病变都是基底细胞癌（BCC）、鳞状细胞癌（SCC）或黑色素瘤。 ObjectiveAutomated detection of such lesions and automated measurement of lesion thickness and margins could help pathologists make faster and more accurate diagnoses.材料与方法我们收集并注释了 1795 张数字化切片，其中包含恶性和良性病变以及健康组织。我们使用基于深度特征学习的方法[1]对×20 倍缩放的斑块进行分类器训练，以识别黑色素瘤、BCC 或 CEC。测试数据集包括 392 张最常见恶性病变的幻灯片，以及 500 张健康组织或良性病变的幻灯片。我们的模型在预测黑色素瘤、BCC 或 ECC 诊断方面的平衡准确率为 0.965。在斑块层面，它能够检测出恶性病变，精确度-召回的 AUC（曲线下面积）为 0.946。获得的测量结果与病理学家使用眼压计测量的结果一致，目前正在进行临床验证研究。 讨论/结论我们提出了第一种能够在数字化玻片上定位和识别皮肤恶性病变，同时自动测量厚度和边缘的算法。目前的发展应能进一步改善结果，从而检测出良性病变，对恶性病变进行亚型分类，并根据病变类型对文件进行分类。
Diagnostic assisté en dermatopathologie digitale : détection automatique de lésions malignes
Introduction
La grande majorité des lésions malignes en dermatopathologie sont des carcinomes basocellulaires (CBC), des carcinomes épidermoïdes (CEC), ou des mélanomes.
Objectif
La détection automatique de telles lésions et la mesure automatisée de l’épaisseur de la lésion et des marges pourraient aider les pathologistes à établir des diagnostics plus rapides et plus précis.
Matériel et méthode
Nous avons rassemblé et annoté 1795 lames digitalisées contenant à la fois des lésions malignes et bénignes, ainsi que des tissus sains. Nous utilisons une méthode basée sur le Deep Feature Learning [1] pour entraîner un classificateur sur des patchs à un zoom × 20 afin d’identifier le mélanome, le CBC ou le CEC. Des méthodes basées sur la vision par ordinateur permettent ensuite de mesurer automatiquement l’épaisseur de la lésion, la marge profonde et latérale.
Le dataset test comprend 392 lames des lésions malignes les plus courantes, ainsi que 500 lames de tissu sain ou de lésions bénignes.
Résultats
Le score F1 de notre modèle de classification pour la détection de lésions malignes est de 0,892. La précision équilibrée de notre modèle à prédire le diagnostic du mélanome, du CBC ou du CEC est de 0,965. Au niveau des patchs, il est capable de détecter une lésion maligne avec une AUC (aire sous la courbe) de précision-rappel de 0,946. Les mesure obtenues sont concordantes avec celles mesurées à l’oculomètre par les médecins anatomopathologistes, et une étude de validation clinique est en cours.
Discussion/conclusion
Nous proposons le premier algorithme capable de localiser et identifier les lésions malignes cutanées sur lame numérisée, tout en mesurant automatiquement l’épaisseur et les marges. Les développements en cours devraient encore améliorer les résultats, permettre la détection de lésions bénignes et de sous-typer les lésions malignes, et classer les dossiers par type de lésion.
期刊介绍：
Les Annales de pathologie vous permettent d''enrichir vos connaissances et de découvrir les évolutions des recherches au travers d''articles originaux, de mises au point, de cas anatomo-cliniques et de lettres à la rédaction rédigés par les meilleurs spécialistes.
Les Annales de pathologie vous proposent de nombreuses illustrations couleur de qualité, qui améliorent la compréhension des articles et renforcent vos compétences diagnostiques.
Les Annales de pathologie sont le lieu de rencontre privilégié de la discipline, où sont publiés des comptes-rendus de journées scientifiques, les informations concernant les EPU et les fonds de recherche et des annonces de réunions diverses.
求助内容：
应助结果提醒方式：
京公网安备 11010802042870号
