深度学习分类器在病理学家对口腔状细胞癌的病理学诊断中的有效性

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 数字组织病理学 数字组织病理学

背景情况:

• 口腔状细胞癌 (OSCC) 的诊断依赖于组织病理学分析.
• 准确的OSCC分类对于有效的治疗计划至关重要.
• 需要客观的组织学分类器来提高诊断的一致性.

研究的目的:

• 使用深度学习 (DL) 模型识别OSCC的组织学分类器.
• 为了评估DL模型在组织病理图像上的诊断性能.
• 评估DL辅助诊断对病理学家绩效的影响.

主要方法:

• 经过OSCC组织病理学图像的处理,并进行了瓦片化.
• 卷积神经网络 (CNN) 模型 (VGG16,ResNet50) 用不同的优化器 (SGD with momentum,SAM) 进行训练.
• 模型的性能使用准确性和ROC曲线下的面积 (AUC) 等指标进行了评估;病理学家的表现使用和没有人工智能的协助进行了评估.

主要成果:

• 使用SAM的VGG16实现了最高的性能:精度为0.8622和AUC为0.9602.
• DL模型辅助诊断显著改善了口腔病理学家的诊断性能 (p值 = 0.031).
• 该研究确定了在OSCC图像分析中最佳CNN性能的条件.

结论:

• 深度学习模型,特别是VGG16与SAM,对于在OSCC中识别组织学分类器是有效的.
• 人工智能辅助诊断可以提高口腔病理学家的准确性.
• 这项研究支持将可靠的DL模型整合到常规的口腔病理诊断中.