开发和验证一种深度学习算法,用于从病理部分对子宫癌的基于模式的分类系统
Wei Tian1,2, Siyuan Sun3, Bin Wu4
1Department of Gynecology, Shandong Provincial Hospital Affiliated to Shandong First Medical University, Jinan, Shandong, China.
Heliyon
|September 4, 2023
概括
深度学习系统 (DLS) 帮助病理学家使用Silva对宫内腺癌 (EAC) 进行分类.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 人工智能的人工智能
背景情况:
- 席尔瓦的基于模式的分类系统 (SPBC) 改善了宫内腺癌 (EAC) 的临床预后和管理.
- 病理学家经验的变化可能导致SPBC应用中的不一致性.
- 需要标准化工具来提高SPBC在EAC诊断和治疗中的临床实用性.
研究的目的:
- 开发和验证一个深度学习系统 (DLS) 用于标准化的Silva基于模式的分类 (SPBC) 在EAC.
- 在准确分类 EAC 模式时评估 DLS 的性能.
主要方法:
- 共有90名EAC患者被纳入,其中63名在培训组,27名在验证组.
- 一个深度学习系统 (DLS),特别是ResNet50,被用来创建和验证SPBC的预测模型.
- 计算了接收器运行特征曲线 (AUC) 下的面积,以评估模型性能.
主要成果:
- 在Silva模式分类中,ResNet50实现了74.36%的整体准确性.
- 对A,B和C模式的具体准确率分别为63.64%,55.56%和89.47%.
- 在测试组中,ResNet50实现了AUC值:A型的0.69,B型的0.58,C型的0.91.
结论:
- 成功建立了SPBC的DLS.
- 开发的DLS显示出有潜力帮助病理学家准确地对EAC进行分类.
- 这种人工智能工具可以帮助标准化SPBC,提高诊断一致性.
