基于深度学习的肺癌诊断,使用全国范围的呼吸系统细胞学图像集:提高准确性和观察者之间的变异性

科学领域:

• 数字病理学数字病理学
• 医学成像分析分析 医学成像分析
• 人工智能在瘤学中的应用

背景情况:

• 深度学习 (DL) 在细胞病理学中的应用有希望,但对呼吸道标本的开发是有限的.
• 通过呼吸系统细胞学准确诊断肺癌,对于有效治疗至关重要.

研究的目的:

• 设计和评估一个DL模型,以提高肺癌的诊断准确度,使用呼吸系统细胞学图像.
• 为了比较病理学家的诊断性能,有和没有人工智能辅助.

主要方法:

• 一个回顾性多中心研究,使用国家数据集的呼吸器样本的数字细胞学图像.
• 图像处理包括生成扩展的z-stack图像,颜色规范化和切割到256x256像素的补丁.
• Densenet121模型在30590个图像补丁上进行了训练和验证,对人类病理学家进行了性能评估.

主要成果:

• DL模型实现了高诊断性能:95.9%的灵敏度,98.2%的特异性和96.9%的准确性.
• 在AI的帮助下,病理学家的准确性从82.9%提高到95.9%.
• 在AI的帮助下,互评价协议 (Fleiss' Kappa) 从0.553显著改善到0.908.

结论:

• 一个DL模型是有效的诊断肺癌在呼吸系统细胞学.
• 人工智能辅助提高了诊断准确度,并减少了病理学家的观察者之间的变化.
• 这项技术有可能显著提高细胞病理学的诊断能力.