基于深度学习的查和甲状腺细胞病理学的辅助测试
David Dov1, Danielle Elliott Range2, Jonathan Cohen3
1I-Medata AI Center, Tel Aviv Sourasky Medical Center, Tel Aviv-Yafo, Israel; Department of Pathology, Duke University Medical Center, Durham, North Carolina.
The American journal of pathology
|August 23, 2023
概括
一个新的深度学习算法准确地从整个幻灯片图像中分析甲状腺细针吸收活检 (FNAB). 这种人工智能工具可以提高诊断准确度,减少甲状腺癌的不必要手术.
科学领域:
- 内分泌学 在内分泌学.
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 人工智能在医学中的应用
背景情况:
- 甲状腺癌是最常见的内分泌恶性瘤.
- 精细针吸收活检 (FNAB) 对于术前风险评估至关重要.
- 不确定的FNAB结果往往导致诊断挑战和不必要的手术.
研究的目的:
- 开发和验证用于分析甲状腺FNAB全幻灯片图像 (WSI) 的深度学习算法.
- 评估算法在分类确定的情况下的性能,并帮助消除不确定的情况下的歧义.
主要方法:
- 开发一种深度学习算法来分析甲状腺FNAB WSIs.
- 在甲状腺FNAB WSIs最大的报告数据集上进行测试.
- 验证使用单独的数据集连续FNAB从一个完整的日历年.
主要成果:
- 该算法实现了临床级性能,将45.1%的WSIs分类为良性或恶性.
- 它通过将21.3%的病例重新归类为良性来减少不确定的病例.
- 结果表明甲状腺FNAB分类的临床可接受的误差范围.
结论:
- 应用到甲状腺FNAB WSIs的深度学习为提高诊断准确性提供了一个强大的工具.
- 该算法显示了作为辅助测试的潜力,以减少诊断不确定性和不必要的手术.
- 这种人工智能驱动的方法可以提高甲状腺结节的术前风险评估.
