开发和验证一个深度学习模型,以改善通过莫斯微图手术治疗的非黑色素瘤皮肤癌的检测
Eugene Tan1,2,3, Sophie Lim3, Duncan Lamont4
1Western Skin Institute, Melbourne, Australia.
JAAD international
|December 13, 2023
概括
深度学习模型在莫斯手术冷部分准确地检测非黑色素瘤皮肤癌. 这项技术有望改善手术边缘控制和癌症切除效率.
科学领域:
- 皮肤病学 皮肤病学
- 病理学 病理学 病理学
- 人工智能的人工智能
背景情况:
- 莫斯外科手术的质量依赖于实时冷截面审查.
- 需要具有成本效益的方法来增强莫斯手术,通过确认癌症区域和手术边缘.
研究的目的:
- 评估深度学习模型在莫斯手术冷部位内识别非黑色素瘤皮肤癌的有效性.
主要方法:
- 深度学习模型通过对非黑色素瘤皮肤癌的档案集中显微镜视图 (FMV) 图像 (2015-2018) 进行训练.
- 模型在从时间队列 (2019-2021) 中前性收集的图像上得到验证.
- 使用1423张图像 (154名患者) 开发了基于的分类模型,并对374张图像 (66名患者) 进行了测试.
主要成果:
- 最好的模型在100倍放大时实现了0.966的基底细胞癌的中位数平均精度.
- 接收器操作曲线下的面积在100倍放大时达到0.889的基底细胞癌.
- 在100倍放大时观察到侵袭性状细胞癌的高中位数平均精度为0.904.
结论:
- 深度学习在莫斯冷部分检测皮肤癌时表现出高准确度.
- 这种方法有可能改善莫斯手术中的外科边缘评估和操作效率.


