乳腺手术样本的自动诊断和分类使用动态全场OCT和机器学习
Jules Scholler1, Diana Mandache2,3, Marie Christine Mathieu4
1PSL University, Institut Langevin, ESPCI Paris, CNRS, Paris, France.
Journal of medical imaging (Bellingham, Wash.)
|June 5, 2023
概括
机器学习算法可以从动态全场光学连贯断层扫描 (D-FF-OCT) 图像中准确诊断乳腺组织. 这种方法提供了快速的,自动化组织病理学与最小的样本改变,帮助采用新的成像技术.
科学领域:
- 医学成像医学成像
- 计算病理学计算病理学
- 光学连贯性断层扫描技术.
背景情况:
- 新兴的成像技术,如动态全场光学连贯断层扫描 (D-FF-OCT),可以在没有准备的情况下提供高分辨率的组织成像.
- 解释D-FF-OCT中的新鲜对比需要专门的专业知识,这阻碍了临床采用.
- 血素和乙素 (H&E) 染色是目前的基因病理学黄金标准.
研究的目的:
- 开发和比较机器学习 (ML) 方法来解释乳房手术样本的D-FF-OCT图像.
- 通过提供自动化诊断工具,促进D-FF-OCT在临床实践中的采用.
- 评估基于ML的D-FF-OCT解释与标准H&E组织学对比的准确性.
主要方法:
- 设计和比较了两个ML算法,用于D-FF-OCT图像分析.
- 一项试点研究涉及51名乳腺隆瘤切除和乳腺切除标本.
- 分析了超过1000个个别1.3x1.3mm2 D-FF-OCT图像,并与H&E诊断进行了比较.
主要成果:
- 机器学习算法在图像层面 (1.3x1.3 mm2) 实现了超过88%的准确性.
- 标本级的诊断准确度超过了96%.
- 该研究表明,自动化D-FF-OCT解释的高性能.
结论:
- 与ML相结合的D-FF-OCT显示了快速,自动化组织病理学诊断的巨大潜力.
- 与传统方法相比,这种方法最大限度地减少了样本的变化.
- 这些发现支持D-FF-OCT和ML在乳腺癌诊断中的整合.
