使用基于深度学习的分类器选未染色的甲状腺细针吸入样本的充分性
Junbong Jang1,2, Young H Kim3, Brian Westgate1
1Department of Biomedical Engineering, Worcester Polytechnic Institute, Worcester, MA, 01609, USA.
Scientific reports
|August 19, 2023
概括
一个新的深度学习模型,FNA-Net,选未染色的甲状腺细针吸收 (FNA) 样本,减少非诊断率和重复活检. 这种人工智能工具可以提高甲状腺癌诊断效率和患者护理.
科学领域:
- 在瘤学瘤学.
- 医学诊断 医学诊断 医学诊断
- 人工智能的人工智能
背景情况:
- 精细针吸收 (FNA) 活检对于甲状腺结节的诊断至关重要.
- 大约10%的最初甲状腺FNA样本是非诊断性的,需要重复手术和延迟护理.
- 目前对FNA样本的现场评估需要耗时的染色和专家细胞病理学家的存在.
研究的目的:
- 开发和验证一个深度学习模型 (FNA-Net) 用于未染色的甲状腺FNA样本的现场查.
- 为了减少甲状腺FNA活检的非诊断率.
- 绕过染色和现场专家解释的需要,从而简化诊断过程.
主要方法:
- 开发了FNA-Net,这是一个集体深度学习模型,结合了基于补丁的全幻灯片图像分类器和Faster R-CNN.
- 该模型在未染色的FNA幻灯片中检测到毛囊.
- 较少于预先确定的毛囊群值的样本被归类为非诊断性.
主要成果:
- 在使用引导采样检测非诊断幻灯片 (少于六个毛囊群) 时,FNA-Net获得了0.81的F1得分和0.84的AUC.
- 该模型在识别卵泡集群方面表现出高精度.
- 开发的AI模型在准确评估样本充分性方面表现出有希望.
结论:
- 甲状腺FNA-Net提供了一种快速的,自动化的方法来评估甲状腺FNA样本的充分性,而无需染色.
- 人工智能模型有可能显著降低甲状腺FNA活检的非诊断率.
- 实施FNA-Net可以降低诊断成本,提高甲状腺结节患者护理的质量.
