约翰·霍普金斯大学医学院的一个研究团队创建并训练了一个机器学习模型，用于计算骨肉瘤(一种骨癌)患者的坏百分比(PN)，或者说肿瘤“亡”且不再活跃的百分比。与肌肉骨骼病理学家的结果相比，该模型的计算正确率为 85%。去除一个异常值后，准确率升至 99%。

化疗后 PN 计算有助于为患者提供生存预后。例如，PN 为 99% 表明 99% 的肿瘤已亡，表明化疗有效，患者的生存几率有所提高。病理学家通过查看、解释和注释全玻片图像 (WSI) 来计算 PN，全玻片图像是标本(在本上下文中为骨组织)的薄片切片，安装在玻片上进行显微分析。

“计算 PN 是一个劳动密集型过程，需要肌肉骨骼病理学家提供大量注释数据，”该研究的共同第一作者、约翰霍普金斯大学医学院骨科外科住院医师 Christa LiBrizzi 医学博士说。“此外，它的观察者间可靠性较低，这意味着试图从相同 WSI 计算 PN 的两名病理学家经常会报告不同的结论。由于这些因素，我们认为尝试通过替代方法计算 PN 是值得的。”

该团队试图开发一种“弱监督”机器学习模型，该模型需要最少的注释数据进行训练。以这种方式训练模型意味着肌肉骨骼病理学家使用该模型计算患者的 PN 只需要为其提供部分注释的 WSI，从而减轻了病理学家的劳动负担。

首先，研究小组从约翰霍普金斯大学美国癌症中心的病理档案中收集了数据，包括 WSI。所有数据均来自于 2011 年至 2021 年间在中心接受化疗和手术的髓内骨肉瘤(即起源于骨骼中心的骨肉瘤)患者。