胃萎縮の診断は非常に主観的なものであり、診断の一貫性を高めるために病理学的特徴に基づいた胃萎縮モデルを確立することを目指しています。

胃生検の HE 染色病理学的切片を遡及的に収集し、CellProfiler ソフトウェアを使用して、各サンプルの 10 枚の代表的な画像に対して画像セグメンテーションと特徴抽出を実行しました。

LASSO 特徴選択とさまざまな機械学習 (ML) アルゴリズムを使用した胃萎縮診断モデルの構築

データを正規化した後、特徴間のピアソン相関係数が計算されました。フィーチャ間の相関係数が 0.9 より大きい場合、1 つのフィーチャのみが保持されます。

データをトレーニング セットと検証セットに 8:2 の比率で分割します。

289 枚の病理学的スライドを選択し、そのうち 169 枚がモデルのトレーニングに使用され、42 枚がテストに使用され、異なる年の 78 枚の病理学的スライドが外部検証に使用されました。

9 つの機械学習モデル

2 人の専門の病理医が 289 枚のスライスを独立して診断し、その診断は一貫しており、カッパ値は 0.68 (95% CI: 0.60 ~ 0.77、P < 0.001) でした。

意見の異なるスライドは 2 人の専門家によって共同評価されました。最後に、2 人の病理学者は共同ディスカッションを通じて、すべての矛盾するスライドについて合意に達しました。

トレーニング、検査、外部検証のために 289 個の胃生検標本が選択されました

464 の病理学的特徴が抽出され、LASSO によって 10 の特徴が選別され、中等度から重度の萎縮の診断モデルが確立されました。

核の粒度、テクスチャ、サイズ、形状、ピクセル強度分布に関連する 324 個の特徴

画質、強度、共局在化、および強度間の相関関係に関連する 124 個の特徴

さまざまな機械学習アルゴリズムの AUC は、トレーニング セットで 0.835 ～ 1.000、テスト セットで 0.786 ～ 0.949、外部検証セットで 0.689 ～ 0.818 です。

LR モデルの AUC 値は最も高く、トレーニング セットでは 0.900、テスト セットでは 0.901、外部検証セットでは 0.818 です。

Youden インデックスに従って、カットオフ値として 0.47 が選択され、LR モデルは高 PS と低 PS を含む胃萎縮の病理学的スコア (PS) に変換されます。

単変量ロジスティック回帰分析では、性別、年齢、PS が GC と関連していた

続いて、性別と年齢を調整して多変量ロジスティック回帰分析を実行しました。結果は、PS が GC の独立した危険因子であることを示しました (OR = 5.70)。

LR モデルに基づく萎縮病理スコアは、内視鏡的萎縮グレード (Z = -2.478、P = 0.013) および胃癌 (OR = 5.70、P < 0.001) と関連していました。

病理学的特徴に基づく ML モデルは、胃萎縮の診断の一貫性を向上させ、内視鏡による萎縮の等級付けおよび胃がんと相関します

中等度から重度の胃萎縮の診断における機械学習の有効性

当社モデルと従来モデルの比較

GC の単一因子および多因子ロジスティック回帰分析

研究設計ワークフロー全体

LASSO アルゴリズムに基づく中等度から重度の胃萎縮に対する病理学的特徴の選択

トレーニングセット、テストセット、外部検証セットにおける中等度から重度の胃萎縮を診断するためのさまざまな機械学習モデルのAUC値のヒストグラム

中等度から重度の胃萎縮に対するLRモデルの有効性

1000 ブートストラップを使用したロジスティック回帰モデルのパフォーマンス

胃生検画像処理パイプラインによって抽出された定量的特徴の包括的なリスト

30 個の無関係または異常な特徴を削除した後、434 個が残りました

Quapath ソフトウェアを使用して、最良の染色効果を持つ代表的な領域を選択します

PSと内視鏡的萎縮グレードの相関関係（木村竹本分類）

PSと内視鏡的萎縮グレード（木村竹本分類）との相関関係を調査した

結果は、PS が内視鏡による萎縮グレードとも相関していることを示しました (Z = -2.478、P = 0.013)。