基于深度学习的几何诊断囊性甲状腺瘤使用 histopathological 图像
Satoshi Nojima1, Tokimu Kadoi2, Ayana Suzuki3
1Department of Pathology, Osaka University Graduate School of Medicine, Osaka, Japan.
概括
新的深度学习系统可以准确地区分卵泡甲状腺癌和腺瘤. 这些系统还从组织学中预测恶性特征,为自动化甲状腺癌诊断铺平了道路.
科学领域:
- 计算病理学计算病理学
- 在瘤学瘤学.
- 医学中的人工智能
背景情况:
- 深度学习系统 (DLS) 在瘤评估方面表现有前途,但缺乏特异性来区分毛囊性甲状腺癌 (FTC) 和毛囊性腺瘤 (FA).
- 使用有限的组织学视图,DLSs识别甲状腺瘤恶性特征的能力仍未得到评估.
研究的目的:
- 开发和评估用于FTC和FA之间的差异诊断的DLS.
- 根据组织学图像评估DLSs预测FTC恶性特征的能力.
主要方法:
- 用三个卷积神经网络架构 (EfficientNet,VGG16,ResNet50) 来开发用于FTC/FA差异化的DLS.
- 梯度加权类激活映射用于对DLS预测进行视觉解释.
- DLS在FTC图像上受过训练,以预测复发风险,血管入侵和囊入侵.
主要成果:
- 在区分FTC与FA方面,DLS取得了很好的表现 (AUC=0.91±0.04,F1分数=0.82±0.06).
- 诊断主要基于核特征,如视觉解释所示.
- 从随机组织学观点来预测FTC复发风险 (AUC = 0.67 ± 0.13),血管侵袭 (AUC = 0.62 ± 0.11) 和广泛的囊侵袭 (AUC = 0.65 ± 0.09) 中,DLS的准确性中等.
结论:
- 开发的DLS对于FTC和FA的差异诊断是有效的.
- DLS显示出从活检样本预测FTC的关键恶性特征的潜力.
- 进一步的进展可能会导致甲状腺瘤的自动诊断系统.
