子宮頸細胞診スクリーニングのための基盤モデルUniCAS

科学分野:

• 計算病理学
• デジタル細胞診
• ヘルスケアにおける人工知能

背景:

• 子宮頸部異常のスクリーニングは重要ですが、全スライド画像（WSI）のサイズが大きいため、手作業による検査が困難になっています。
• 子宮頸細胞診における既存の深層学習モデルは、形態学的多様性に対処する上で課題があり、タスク固有の設計が必要であり、臨床ワークフローを断片化しています。

研究 の 目的:

• 子宮頸部異常の効率的なマルチスケール分析のために設計された、汎用性の高い細胞診基盤モデルであるUniCASを紹介すること。
• 子宮頸細胞診における多様な病状および患者層を処理するUniCASの能力を実証すること。

主な方法:

• 48,532枚の子宮頸部WSIの大規模データセットでUniCASを事前学習すること。
• UniCASフレームワーク内でスライドレベルの診断のためのマルチタスクアグリゲーターを統合すること。
• スライドレベルの診断、領域レベルの分析、およびピクセルレベルの画像強化におけるUniCASのパフォーマンスを評価すること。

主要な成果:

• UniCASは、さまざまな臨床分析タスクにおいて最先端のパフォーマンスを達成しました。
• がんスクリーニングで92.60％、カンジダ症検査で92.58％、手がかり細胞診断で98.39％という高い曲線下面積（AUC）値を達成しました。
• 従来の méthodesと比較して診断時間を70％短縮し、大幅な効率向上を示しました。

結論:

• UniCASは、自動化された子宮頸細胞診の新しいパラダイムを確立し、効率的なマルチスケール分析を可能にします。
• このモデルは、計算病理学と臨床診断ワークフローのギャップを埋め、効率と精度を向上させます。
• この基盤モデルは、子宮頸細胞診における多様な診断タスクに対する統一されたアプローチを提供します。