通过对病理图像进行半监督深度学习来诊断和分类胃缩和肠道转化:开发和验证研究研究
Shuangshuang Fang1, Zhenyu Liu2,3, Qi Qiu2,3
1Beijing Key Laboratory of Functional Gastrointestinal Disorders Diagnosis and Treatment of Traditional Chinese Medicine; Department of Gastroenterology, Wangjing Hospital, China Academy of Chinese Medical Sciences, No. 6, Zhonghuan South Road, Wangjing, Beijing, 100102, China.
概括
一个新的深度学习算法,GasMIL,准确诊断胃缩和肠道转化 (IM),改善胃癌风险评估. 这种人工智能工具增强了病理学家的诊断能力,从而改善了患者的治疗结果.
科学领域:
- 胃肠病学 胃肠病学
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 胃缩和肠道代谢 (IM) 是胃癌的前体,需要准确的风险分层.
- 目前的诊断方法依赖于组织病理学评估,这可能是主观的,耗时的.
研究的目的:
- 开发和验证用于诊断和分级胃缩和IM的深度学习算法.
- 与病理学家相比,评估算法的性能及其对诊断准确性的影响.
主要方法:
- 一个半监督的深度学习算法 (GasMIL) 使用来自545名患者的全幻灯片图像 (WSIs) 开发.
- 该模型在独立数据集上进行了训练和验证,其性能与观察员研究中的10名病理学家进行了比较.
主要成果:
- 在外部测试组中,GasMIL在诊断IM (AUC0.884) 和缩 (AUC0.877) 中表现出高准确度.
- 在观察者研究中,GasMIL在诊断缩方面超过了病理学家,并且在作为辅助工具时显著提高了病理学家对IM和缩的诊断准确度.
结论:
- 与个人病理学家相比,GasMIL算法在诊断胃缩和IM方面表现优越.
- 这种人工智能工具有可能显著提高胃癌前病变诊断的准确性和效率.
