深度学习启用肝腺癌的诊断
Thomas Albrecht1, Annik Rossberg2, Jana Dorothea Albrecht3
1Institute of Pathology, Heidelberg University Hospital, Heidelberg, Germany; Liver Cancer Center Heidelberg, Heidelberg, Germany.
Gastroenterology
|August 10, 2023
概括
一个新的深度学习模型,HEPNET,使用H&E幻灯片准确地区分肝脏内胆管癌和结直肠肝转移. 这种人工智能工具实现了临床级的性能,帮助病理学家诊断肝腺癌.
科学领域:
- 计算病理学计算病理学
- 人工智能在诊断中的应用
- 数字病理学数字病理学
背景情况:
- 区分初级肝腺癌和二级肝腺癌对于患者管理至关重要.
- 肝脏内胆管癌和结直肠肝转移是常见的诊断挑战.
- 当前的诊断方法通常需要整合多种数据类型.
研究的目的:
- 开发和验证一个深度学习模型 (HEPNET) 来区分肝内胆管癌和结直肠肝转移.
- 通过使用H&E染色的全幻灯片图像来评估模型的性能.
- 为了在区分这些肝腺癌中获得临床级别的准确性.
主要方法:
- HEPNET在456名患者的H&E染色图像的大型数据集上进行了培训.
- 该模型的性能在115名患者的内部测试组上进行了评估.
- 对159名患者的独立队列进行了外部验证.
主要成果:
- 在内部测试组 (96.5%) 和外部验证组 (98.1%) 中,HEPNET实现了高精度.
- 该模型在读者研究中与六位经验丰富的病理学家相比,表现出了卓越的表现.
- HEPNET提高了住院病理学家的诊断准确度,达到高级病理学家的水平.
结论:
- HEPNET是一款具有临床级性能,用于诊断肝腺癌的现成工具.
- 该模型可以通过提供明确的诊断和指导辅助测试来促进常规病理学工作流程.
- 将HEPNET集成到病理学实验室可以优化诊断效率并降低成本.
