人工智能和冷部位组织病理学:一个系统的审查
Benjamin G Gorman1,2, Mark A Lifson3, Nahid Y Vidal4,5
1Mayo Clinic Alix School of Medicine, Rochester, Minnesota, USA.
Journal of cutaneous pathology
|July 3, 2023
概括
机器学习模型对解释结截面图像显示出前景,卷积神经网络表现最好. 将人工智能与医生专业知识相结合可能会增强组织病理学诊断.
科学领域:
- 病理学 病理学 病理学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 冷部分在病理学中很有价值,但面临着影响AI/ML解释的可变图像质量的挑战.
- 目前的研究探讨了机器学习模型的应用,以分析结部分图像.
研究的目的:
- 审查现有关于机器学习模型的现有研究,这些机器学习模型是在冷截面图像上训练或测试的.
- 评估AI模型在冷断面分析中的性能和通用性.
主要方法:
- 在PubMed和Web of Science的系统文献搜索相关研究.
- 包括18篇论文,介绍了用于冷部分图像分析的新型机器学习模型.
主要成果:
- 卷积神经网络在冷部分图像解释方面普遍表现出优异的性能.
- 与仅在甲固定组织上训练的模型相比,在冷部分上训练的模型在不同的幻灯片制剂中表现出更好的概括性.
- 当人工智能模型输出得到帮助时,医生的表现得到了改善,超过了医生或单独的AI的个人表现.
结论:
- 机器学习适用于冷部分图像处理,这些图像可以增强模型的概括性.
- 将专家医生与人工智能工具整合在一起的协作方法代表了冷部位组织病理学的潜在未来方向.
