深度学习算法的诊断评估,以检测乳腺癌女性的淋巴结转移

科学领域:

• 数字病理学
• 在瘤学中使用人工智能
• 机器学习用于癌症诊断

背景情况:

• 深度学习算法可以提高病理学诊断的准确性和效率.
• 在淋巴结组织中自动检测转移对于准确的乳腺癌分期和治疗至关重要.

研究的目的:

• 评估深度学习算法在乳腺癌中检测淋巴结转移的性能.
• 将这些算法的诊断精度与病理学家的诊断进行比较.

主要方法:

• CAMELYON16挑战提供了用于算法开发和独立测试的全幻灯片图像.
• 在有转移和没有转移的淋巴结组织片上训练算法.
• 对11名病理学家在时间限制下解释幻灯片和1名病理学家没有时间限制进行了评估.

主要成果:

• 最好的深度学习算法实现了与专家病理学家相提并论的病变检测率.
• 算法显著优于在时间限制下工作的病理学家 (模拟常规工作流程).
• 最强的算法显示出与专家病理学家可比的诊断准确性,

结论:

• 深度学习算法可以在检测淋巴结转移方面实现高诊断性能.
• 一些算法在模拟的常规病理学环境中表现优于病理学家.
• 临床实用性需要在实际临床环境中进一步评估.