深度学习应用到 ameloblastomas 和 ameloblastic 癌症的组织病理学诊断

科学领域:

• 口腔和面病理学 口腔和面病理学
• 数字病理学数字病理学
• 人工智能在医学中的应用

背景情况:

• 牙性瘤 (OTs) 由于异质性和重叠特征,存在诊断挑战.
• 骨髓母细胞瘤和骨髓母细胞癌 (AC) 特别难以使用传统的组织病理学来区分.
• 切口活检有其局限性,这凸显了需要改进诊断工具的需要.

研究的目的:

• 评估人工智能 (AI) 模型在乳腺母细胞瘤和AC的差异诊断中的实用性.
• 评估机器学习 (ML) 在减少观察者变化和增强诊断客观性的潜力.

主要方法:

• 收集了30个数字化组织病理学幻灯片.
• 采用了使用ResNet50,DenseNet和VGG16模型的监督学习方法.
• 图像被细分和碎片化成补丁,用于分类为乳腺母细胞瘤或AC.

主要成果:

• 模型在培训和验证期间展示了过度装配.
• ResNet50取得了令人满意的测试结果,平均准确度为0.75,精度为0.71,灵敏度为0.84,特异性为0.65,F1得分为0.77.
• 人工智能模型展示了快速学习,达到98%的训练精度.

结论:

• 人工智能模型显示出强大的学习潜力,但缺乏概括能力.
• 验证的不稳定性表明需要更大的数据集.
• 这项研究突出了人工智能在口腔病理学中的潜力,并建议在未来研究中使用更多数据和替代模型.