有信心的诊断:深度学习可用于可靠地分类喉发育不良
Mélanie Lubrano1,2,3, Yaëlle Bellahsen-Harrar4,5, Sylvain Berlemont2
1Centre for Computational Biology (CBIO), Mines Paris, PSL University, Paris, France.
Histopathology
|October 24, 2023
概括
深度学习辅助头部和部 (HN) 状损伤的分类. 一个新的AI工具带有信心分数可以提高诊断准确度,并减少病理学家的变化.
科学领域:
- 数字病理学数字病理学
- 医学中的人工智能
- 在瘤学瘤学.
背景情况:
- 准确诊断头部和部 (HN) 状病变对于患者的治疗结果至关重要.
- 由于观察者内部和观察者内部的变异性,即使使用简化系统,对皮层内病变的分类也会带来诊断挑战.
- 需要先进的工具来支持病理学家对HN病变进行分类.
研究的目的:
- 调查深度学习的潜力,以实现HN病变的自动和可靠分类.
- 开发一个基于人工智能的诊断工具,与2022年世卫组织分类系统保持一致.
- 为培训和验证创建一个大规模的组织样本数据库.
主要方法:
- 开发和训练使用全幻灯片图像 (WSI) 的低监督深度学习模型.
- 利用了2000多个组织样本的大规模数据库.
- 评估了内部和外部测试集上的模型性能,并定义了一个新的信心评分.
主要成果:
- 该模型在所有损伤类型中实现了高分类准确性,平均AUC为0.878 (内部) 和0.886 (外部).
- 开发的信心评分有效地区分了可靠和不确定的预测.
- 人工智能工具在内部和外部验证数据集上都表现出强的性能.
结论:
- 人工智能辅助的HN状病变的分类可以显著降低诊断变异性.
- 该模型与信心测量相结合,有助于识别模糊的病例,支持病理学家.
- 这些发现代表了在诊断病理学中更广泛地实施AI的一步.
