基于细胞学的深度学习预测模型,用于皮肤状甲状腺微癌中中枢淋巴结转移,基于细胞学
Wenhao Ren1, Yanli Zhu1, Qian Wang1
1Key Laboratory of Carcinogenesis and Translational Research (Ministry of Education), Department of Pathology, Peking University Cancer Hospital and Institute, Beijing, China.
Cancer science
|August 14, 2023
概括
一种深度学习模型使用精细针吸收 (FNA) 样本准确预测乳头甲状腺小癌 (PTMC) 中的淋巴结转移. 这种人工智能方法提供了比传统方法更可靠的术前评估,有助于PTMC的治疗决定.
科学领域:
- 在瘤学瘤学.
- 人工智能在医学中的应用
- 病理学 病理学 病理学
背景情况:
- 精确的淋巴结状况的术前评估对于管理低风险的乳头甲状腺小瘤 (PTMC) 至关重要,在这种情况下,临床评估通常是不准确的.
- 在手术和PTMC的积极监测之间的决定是复杂的因淋巴结转移预测的不确定性.
研究的目的:
- 开发和验证一种深度学习模型,用于预测PTMC中基于手术前细针吸收 (FNA) 液体制剂的中枢淋巴结转移.
- 将深度学习模型的预测性能与传统的临床评估方法进行比较.
主要方法:
- 一个深度学习模型被训练使用208个手术前的FNA液体制剂从经过淋巴结解剖的PTMC患者.
- 该模型预测了中枢淋巴结转移,并使用灵敏度,特异性,PPV,NPV,精度和AUC来评估其性能.
- 通过进一步分析,确定了影响模型预测的关键细胞形态.
主要成果:
- 深度学习模型的灵敏度为78.9%,特异性为73.9%,PPV为71.4%,NPV为81.0%,准确度为76.2%.
- 在ROC曲线下的面积 (AUC) 为0.8503,表明强大的预测能力.
- 发现该模型的预测性能优于传统的临床评估方法.
结论:
- 使用手术前甲状腺FNA液体制剂的深度学习模型代表了预测PTMC中枢淋巴结转移的可靠策略.
- 这种人工智能驱动的方法比传统的临床评估提供了更高的准确性,可能完善PTMC患者的治疗策略.
