基于机器学习的诊断甲状腺细针吸收活检协同通过帕帕尼科劳染色和折射率分布
Young Ki Lee1, Dongmin Ryu2, Seungwoo Kim3
1Division of Endocrinology and Metabolism, Department of Internal Medicine, National Cancer Center, Goyang, 10408, South Korea.
Scientific reports
|June 17, 2023
概括
一个新的机器学习算法 (MLA) 准确地使用帕帕尼科劳染色和折射率 (RI) 成像对甲状腺细胞群进行分类. 结合这两种成像方法,从细针吸收活检标本中诊断甲状腺癌的准确性达到100%.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 在瘤学瘤学.
背景情况:
- 甲状腺细针吸收活检 (FNAB) 对于诊断甲状腺结节至关重要.
- 对良性与恶性甲状腺细胞群的准确分类对于有效的患者管理至关重要.
- 当前的诊断方法可能受到主观解释和需要侵入性程序的限制.
研究的目的:
- 开发和评估用于分类甲状腺细胞集群的机器学习算法 (MLA).
- 评估使用帕帕尼科劳染色和内在折射率 (RI) 作为相关成像对比的诊断性能.
- 确定结合色彩和RI成像是否可以提高甲状腺癌的诊断准确度.
主要方法:
- 开发了一种MLA来使用帕帕尼科劳染色 (颜色) 和3DRI分布数据对甲状腺细胞群进行分类.
- 利用相关光学衍射断层扫描来同时从FNAB标本中获取颜色和RI图像.
- 在124名患者的1535个甲状腺细胞集群上训练并测试了MLA,评估了使用颜色,RI或两者的分类器.
主要成果:
- MLA仅使用彩色图像达到98.0%的准确率,仅使用RI图像达到98.0%的准确率.
- 使用帕帕尼科劳染色和RI数据的分类器实现了100%的完美准确性.
- MLA利用彩色图像的核大小和RI图像的详细核形态来进行分类.
结论:
- 开发的MLA与相关的FNAB成像相结合,显示出甲状腺癌诊断的巨大潜力.
- 来自帕帕尼科劳染色和RI成像的补充信息协同改善了MLA诊断性能.
- 这种方法提供了一种有希望的非侵入性方法,可以提高甲状腺癌诊断的准确性.
