乳腺管道癌分级的比较评估:深度学习模型和通用病理学家的评估方法
Maria Magdalena Köteles1, Alon Vigdorovits1,2,3, Darshan Kumar4
1Bihor County Clinical Emergency Hospital, Gh. Doja Street No. 65, 410169 Oradea, Romania.
Diagnostics (Basel, Switzerland)
|July 29, 2023
概括
人工智能 (AI) 在改善乳腺癌分级方面表现有前途. 在整个幻灯片图像 (WSI) 上训练的深度学习模型表现出高性能,表明了更准确和可重复的诊断的潜力.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 乳腺癌诊断依赖于组织学分级,但主观性导致不一致.
- 浸透乳房管道腺癌 (DAC-NOS) 的分级挑战了病理学家.
- 乳腺癌分级的可复制性对于有效的患者治疗至关重要.
研究的目的:
- 开发和评估人工智能驱动的深度学习模型,用于客观的乳腺癌分级.
- 解决DAC-NOS组织学分级的病理学家间变异性的挑战.
- 评估基于卷积神经网络的算法 (CNN-bA) 在乳腺癌分级中的性能.
主要方法:
- 在DAC-NOS的100个完整幻灯片图像 (WSI) 上使用CNN-bA训练了一个深度学习模型.
- 利用癌症基因组图谱乳腺侵入性癌症 (TCGA-BRCA) 数据集进行模型培训.
- 使用精度,灵敏度和F1分数来评估模型性能.
主要成果:
- 人工智能模型在分级组件方面实现了高精度,灵敏度和F1得分.
- 模型训练涉及19,000次代,时间大约为17.5小时.
- 人工智能分级和病理学家之间的协议有所不同,对线粒细胞计数的一致性最高.
结论:
- 人工智能展示了提高乳腺癌分级的准确性和可重复性的潜力.
- 人工智能模型的进一步改进和验证对于临床应用是有必要的.
- 人工智能工具可以帮助病理学家实现更一致的DAC-NOS分级.
