可复制和临床翻译的深度神经网络用于宫查
Syed Rakin Ahmed1,2,3,4, Brian Befano5,6, Andreanne Lemay7,8
1Athinoula A. Martinos Center for Biomedical Imaging, Department of Radiology, Massachusetts General Hospital, Boston, MA, 02129, USA. syedrakin_ahmed@fas.harvard.edu.
Scientific reports
|December 8, 2023
概括
人工智能 (AI) 可以在资源较低的环境中改善宫癌查. 一个深度学习模型在从子宫图像中检测癌前病变方面取得了很高的准确性,有助于人类乳头瘤病毒 (HPV) 阳性分类.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 子宫癌是导致死亡的主要原因,不成比例地影响低收入和中等收入国家 (LMICs).
- 目前的宫查方法在LMIC中面临着可扩展性和成本效益方面的挑战.
- 世界卫生组织建议对感染人类乳头瘤病毒 (HPV) 的人进行视觉分类,以进行二次预防.
研究的目的:
- 开发和优化深度学习 (AI) 管道,以使用数字图像准确诊断宫癌前病变.
- 评估用于宫查的AI模型的性能,可移植性和可重复性.
- 评估人工智能的潜力,以协助女性对HPV阳性测试的视觉分拣.
主要方法:
- 进行了一项全面的深度学习模型选择和优化研究.
- 使用了9,462名女性 (17,013张图像) 的大型,多地理,多机构和多设备数据集.
- 模型性能使用包括接收器操作特征曲线下的面积 (AUC),二次加权卡帕 (QWK) 和错误分类率在内的指标进行评估.
主要成果:
- 性能最高的深度学习模型与HPV类型相结合,实现了0.89.8的AUC.
- 该模型表明,在隔离试验组中,总的极端错误分类率为3.4%,较低.
- 观察到高的一致性和可靠性,QWK为0.86和最小的2类不同意见 (0.69%).
结论:
- 这项研究提出了第一个强大的,可重复和临床翻译的深度学习模型之一,用于宫查.
- 开发的AI模型显示了提高宫癌二次预防的准确性和效率的重大前景,特别是在资源有限的环境中.
- 人工智能辅助的宫部查有可能克服LMICs的现有基础设施和成本障碍.
