デジタル病理のためのコードフリー開発とディープセグメンテーションモデルの展開

組織病理学的全体のスライド画像（WSI）へのディープラーニングの適用は、診断効率と再現性を改善することを約束しますが、コンピューターコードを作成したり、商業ソリューションを購入する能力に依存しています。計算病理学のためのディープラーニングベースのセグメンテーションモデルを作成および展開するために、無料で使用できるオープンソースソフトウェア（QUPATH、DEEPMIB、およびFastPathology）を使用したコードフリーのパイプラインを提示します。上皮を結腸粘膜の間質から分離するユースケースのパイプラインを示します。140個のヘマトキシリン - エオシン（HE）染色および111 CD3免疫染色結腸生検WSIを含む251個の注釈付きWSIのデータセットは、パイプラインを使用した積極的な学習を通じて開発されました。36のHEおよび21 CD3染色WSIのホールドアウトテストセットでは、上皮セグメンテーションで95.5と95.3％のユニオンスコアよりも平均交差点が達成されました。病理学者レベルのセグメンテーションの精度と臨床的許容ランタイムパフォーマンスを実証し、プログラミングエクスペリエンスのない病理学者が、無料のソフトウェアのみを使用して、組織病理学的WSIの最先端のセグメンテーションソリューションを作成できることを示しています。この研究では、一般化可能でオープンなパイプラインを作成する能力におけるオープンソースソリューションの強度をさらに実証しています。その訓練されたモデルと予測は、オープン形式でシームレスにエクスポートし、それによって外部ソリューションで使用できます。すべてのスクリプト、訓練を受けたモデル、ビデオチュートリアル、および約31 Kの上皮注釈を備えた251 WSIの完全なデータセットは、https：//github.com/andreped/nocodesegで公然と入手できます。

Application of deep learning on histopathological whole slide images (WSIs) holds promise of improving diagnostic efficiency and reproducibility but is largely dependent on the ability to write computer code or purchase commercial solutions. We present a code-free pipeline utilizing free-to-use, open-source software (QuPath, DeepMIB, and FastPathology) for creating and deploying deep learning-based segmentation models for computational pathology. We demonstrate the pipeline on a use case of separating epithelium from stroma in colonic mucosa. A dataset of 251 annotated WSIs, comprising 140 hematoxylin-eosin (HE)-stained and 111 CD3 immunostained colon biopsy WSIs, were developed through active learning using the pipeline. On a hold-out test set of 36 HE and 21 CD3-stained WSIs a mean intersection over union score of 95.5 and 95.3% was achieved on epithelium segmentation. We demonstrate pathologist-level segmentation accuracy and clinical acceptable runtime performance and show that pathologists without programming experience can create near state-of-the-art segmentation solutions for histopathological WSIs using only free-to-use software. The study further demonstrates the strength of open-source solutions in its ability to create generalizable, open pipelines, of which trained models and predictions can seamlessly be exported in open formats and thereby used in external solutions. All scripts, trained models, a video tutorial, and the full dataset of 251 WSIs with ~31 k epithelium annotations are made openly available at https://github.com/andreped/NoCodeSeg to accelerate research in the field.