机器和深度学习在甲状腺细胞学和组织病理学中的应用:一篇综述

科学领域:

• 病理学 病理学 病理学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 目前的甲状腺癌诊断依赖于精细针吸收细胞学,具有高可变性和不确定的结果.
• 组织病理学分析虽然更准确,但需要手术切除,限制了手术前的决策.
• 训练有素的病理学家短缺推动了对自动诊断解决方案的需求.

研究的目的:

• 对机器和深度学习在甲状腺癌诊断中的应用进行审查和综合研究.
• 确定AI在细胞和细胞病理学管道中的挑战和未来研究方向.

主要方法:

• 对机器学习和深度学习用于甲状腺损伤分类的现有文献的审查.
• 对研究的分析,重点是针对乳头甲状腺癌和其他甲状腺病理的自动图像分析.

主要成果:

• 许多研究表明AI在分类甲状腺病变,特别是乳头甲状腺癌方面具有显著的潜力.
• 当前的人工智能工具经常面临局限性,原因是回顾性研究设计和缺乏实际工作流集成.
• 实验室处理和分类细微差别的异质性阻碍了自动化解决方案的临床采用.

结论:

• 人工智能有望提高甲状腺癌诊断,但实际有效性和临床整合需要进一步调查.
• 未来的研究应该专注于人工智能作为决策支持系统,提高可解释性,并开发强大的,可泛化的算法.
• 在多样化,多中心数据集上的多分类对于创建适合广泛临床采用的人工智能工具至关重要.