相关实验视频
Updated: Jun 11, 2026
07:47
Studying the Role of Alveolar Macrophages in Breast Cancer Metastasis
Published on: June 26, 2016
9.8K
基于深度学习的计算细胞病理学诊断 Pleural 液体中的转移性乳腺癌
Hong Sik Park1, Yosep Chong1, Yujin Lee1
1Department of Hospital Pathology, The Catholic University of Korea College of Medicine, Seoul 06591, Republic of Korea.
Cells
|July 29, 2023
概括
人工智能显著提高了在乳腺癌中诊断恶性外泄细胞学的准确性. 与病理学家相比,一个深层卷积神经网络模型表现出优异的性能,有助于诊断.
科学领域:
- 细胞病理学 细胞病理学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 胸腔溢液细胞学对于转移性乳腺癌的治疗至关重要.
- 目前的细胞学诊断面临着低准确度和观察者间变异性的挑战.
- 人工智能在肺部液中诊断乳腺癌的作用尚未被探索.
研究的目的:
- 评估人工智能模型的诊断准确性,以检测乳腺癌中恶性肺液细胞学.
- 将人工智能模型的性能与人类病理学家进行比较.
主要方法:
- 一个深度卷积神经网络 (DCNN) 模型 (Inception-ResNet-V2) 在来自569个细胞学幻灯片的34,221个增强图像补丁上受过训练.
- 该DCNN模型分类了845个随机选择的补丁,结果与三个病理学家的评论进行了比较.
- 病理学家重新检查了DCNN模型识别的不一致病例.
主要成果:
- 与最初的病理学家审查相比,DCNN模型获得了更高的准确性 (81.1%与68.7%相比),灵敏度 (95.0%与72.5%) 和特异性 (98.6%与88.9%相比).
- 在重新检查不一致的病例后,病理学家的表现得到了改善,达到87.9%的准确性,80.2%的敏感性和95.7%的特异性.
结论:
- 在乳腺癌中,DCNN模型在诊断恶性外泄细胞学方面表现出高准确度.
- 人工智能有可能协助病理学家,提高诊断一致性和细胞病理学准确性.
