开发一种基于深度学习的模型,以准确诊断混合型胃癌
Xinjie Ning1, Ruide Liu2, Nan Wang1
1Research Center, The Seventh Affiliated Hospital of Sun Yat-sen University, Shenzhen 518107, China.
The international journal of biochemistry & cell biology
|July 23, 2023
概括
深度学习使用U-Net和QuPath准确地识别混合型胃癌组件. 这种方法显示了对预测胃癌患者转移风险的范式转换潜力.
科学领域:
- 计算病理学计算病理学
- 医学成像分析分析 医学成像分析
- 在瘤学瘤学.
背景情况:
- 由于复杂的特征,混合型胃癌的准确诊断具有挑战性.
- 人工智能 (AI) 为提高诊断准确性提供了一个潜在的解决方案.
- 现有的人工智能工具尚未在胃癌亚型和转移预测方面进行广泛的试验.
研究的目的:
- 为混合型胃癌开发精确有效的AI驱动的诊断方法.
- 使用深度学习模型预测胃癌的转移风险.
- 评估U-Net和QuPath软件在胃癌分析中的有效性.
主要方法:
- 训练了一个U-Net神经网络,在186张混合型胃癌病理图像中对分化组件进行细分.
- 使用QuPath软件对未分化的组件进行了注释.
- 计算了差异化与未差异化成分的比率,并与淋巴结转移相关联.
主要成果:
- 在确定感兴趣的区域方面,U-Net模型取得了高准确性 (∼91%) ,精度,回忆和F1分数超过90%.
- 接收器运行特征曲线分析表明性能良好 (曲线下的面积为91%).
- 在分化/不分化比率和淋巴转移风险之间发现了显著的相关性.
结论:
- U-Net和QuPath在识别胃癌组分方面表现出高准确度.
- 人工智能模型显示,在混合型胃癌中预测转移的模式转换潜力.
- 这些发现支持AI在胃癌诊断和风险分层方面的潜在临床应用.
