Die Studie verwendet Daten einer zuvor veröffentlichten, doppelblinden klinischen Studie mit überschüssigen, entidentifizierten Schilddrüsengeweben, um ein tiefes Lernmodell für die schnelle, quantitative Detektion von Schilddrüsenkrebs auf zellulärer Ebene zu trainieren und zu testen. Die Trainings- und Testdaten stammten von malignen Tumoren, gutartigen Knoten und normalen Schilddrüsengeweben. Das Training umfasste das Lehren des Modells zur Segmentierung diagnostisch relevanter Schilddrüsenzellen basierend auf erkennbaren Merkmalen und Mustern in optischen Bildern, während das Testen die Evaluation der Leistung des trainierten Modells bei Aufgaben wie der Zellenauswahl und -segmentierung sowie der Fpol-Datenanalyse beinhaltete. Die Modelle wurden mit Hilfe von Deep Fully Convolutional Neural Networks mit U-Net-Architektur trainiert und verwenden co-polarisierte und kreuz-polarisierte MB-Fluoreszenzemissionsbilder zur Bildsegmentierung.
Das Training der Modelle erfolgte anhand einer bildlichen Darstellung diagnostisch relevanter Zellen und wurde mit einem Zwei-Kanal-Eingang und entsprechenden Labelmasken für die Zellen innerhalb der Bilder durchgeführt. Der Prozess beinhaltete die Verwendung von binären Masken für den Hintergrund, zellähnliche Strukturen und hochwertige Zellen, die von einem Experten in der Optikmikroskopie erstellt wurden. Die Modelle wurden auf einem System mit Nvidia T4 GPU trainiert und die Trainingsdauer betrug bis zu 8 Stunden. Nach der Segmentierung wurden post-processing Operationen durchgeführt, um die Genauigkeit der Segmentierungsmasken zu verbessern. Die Fpol-Werte wurden berechnet, um eine quantitative Bewertung der Modelle durchzuführen und die Ergebnisse zu analysieren.
Für die statistische Auswertung wurden verschiedene Gruppen von Zellen gebildet, darunter maligne, gutartige und normale Zellen, sowohl für automatisch als auch manuell verarbeitete Daten. Die signifikanten Unterschiede zwischen Fpol-Werten von malignen und benignen Zellen sowie die Unterschiede zwischen automatisch und manuell verarbeiteten Fpol-Werten wurden mittels des Student’s t-Tests analysiert. Die Signifikanzniveaus wurden Bonferroni-korrigiert, um statistisch signifikante Unterschiede zu identifizieren. Die Arbeit umfasst auch eine Beschreibung des Modells und der Datenverarbeitung sowie der anschließenden statistischen Analyse der Ergebnisse.