通过人工智能测试的3维病理学来改善食道新的检测,同时减少病理学家的工作负载

科学领域:

• 计算病理学计算病理学
• 在瘤学瘤学.
• 胃肠病学 胃肠病学

背景情况:

• 早期发现食道瘤对于巴雷特的食道生存至关重要.
• 传统的组织病理学具有采样限制,阻碍了早期恶性瘤检测.
• 对病理学家来说,分析大型3D病理学数据集是耗时的.

研究的目的:

• 开发一种深度学习方法,用于在3D病理数据中自动识别关键的2D图像部分.
• 为了提高通过活检诊断食道瘤的效率和准确性.
• 为了减少病理学家在审查3D病理学数据中的工作量.

主要方法:

• 创建了一个深度学习模型,为每个活检生成瘤风险的3D热图.
• 该方法根据瘤风险对3D数据集中的2D图像部分进行分类.
• 一项临床验证研究比较了人工智能选的3D病理学与标准的基于幻灯片的组织病理学.

主要成果:

• 人工智能方法显著提高了食道瘤的检测灵敏度.
• 通过分析每次活检的图像数量少 (3对16),病理学家的工作量减少了.
• 该系统有效地从3D病理数据中对关键的2D截面进行分类.

结论:

• 使用人工智能对3D病理学数据的分析可以提高食道瘤的早期检测.
• 这种方法优化了对巴雷特食道内镜监测活检的审查.
• 深度学习为改善胃肠道病理学的诊断准确性和效率提供了一个有希望的解决方案.