基于深度学习的诊断,对使用语义细分的侵入性非性肺腺癌的组织病理模式进行诊断
Yanli Zhao1, Sen He2, Dan Zhao1
1Department of Pathology, Beijing Chest Hospital, Capital Medical University, Beijing Tuberculosis and Thoracic Tumor Institute, Beijing, China.
BMJ open
|July 25, 2023
概括
一个深度学习模型准确地分类侵入性非性肺腺癌 (ADC) 亚型,帮助病理学家. 这种人工智能辅助的诊断表明,它有望提高复杂肺癌病例的准确性.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能
- 数字病理学数字病理学
背景情况:
- 侵袭性非性肺腺癌 (ADC) 诊断是具有挑战性的,因为组织学多样性和主观的手动评估.
- 人工智能 (AI) 和数字病理学为人工智能辅助诊断提供了潜力.
- 对ADC亚型的准确分类对于有效治疗至关重要.
研究的目的:
- 开发一种深度学习解决方案,用于对侵袭性非性肺ADC组织学亚型的自动分类.
- 改善肺癌病理学的诊断准确性和一致性.
- 帮助病理学家识别细微的组织学特征.
主要方法:
- 利用了523张侵袭性非性肺部ADC的整体幻灯片图像 (WSIs).
- 在像素层面上注释了六个组织学组成部分 (斑膜,斑膜,斑膜,固体,微膜,cribriform).
- 开发并验证了基于DeepLab v3的深度学习模型,由高级病理学家分析预测.
主要成果:
- 深度学习模型在预测主导和次要ADC亚型 (大多数亚型的AUC>0.8) 中取得了很高的准确性.
- 该模型与病理学家推理一致,并且在识别轻微病变方面表现出色.
- 产生了NDCG得分超过75%的病理报告.
结论:
- 深度学习模型在预测主要和小的侵入性非性肺ADC亚型方面表现良好.
- 模型对微妙病变的敏感性可以显著支持病理学家.
- 人工智能辅助的分类有望提高肺癌诊断的可能性.
