部署和评估一个深度学习模型,用于实时检测前癌症,使用高率高分辨率微内镜

科学领域:

• 在瘤学瘤学.
• 传染性疾病 传染性疾病
• 医疗成像医学成像

背景情况:

• 在艾滋病毒感染者中,门癌的发病率较高,这是由于HPV的致癌潜力.
• 门癌症的发病率增加和大量的随访损失阻碍了诊断和治疗.
• 高度内皮质瘤 (AIN 2+) 的自动实时诊断是有效有效的需要.
• 看到和治疗.
• 这些都是策略,策略.

研究的目的:

• 评估使用深度学习模型的高率高分辨率微内镜 (HF-HRME),用于前性,实时检测AIN 2+.
• 通过减少图像工件和质量控制失败来改进以前的HRME技术.

主要方法:

• 一项前性临床研究,利用一种新的HF-HRME系统与深度学习模型相结合.
• 实时图像采集和分析用于AIN 2+检测.
• 对HF-HRME性能与组织病理学确认和临床印象进行比较.

主要成果:

• 高频-HRME系统显著减少了图像质量控制失败率,从17%降至4.6%.
• 该系统在AIN 2+检测方面实现了0.91的灵敏度和0.87的特异性.
• 与之前的HRME和临床印象相比,HF-HRME表现优越 (P < .0001).

结论:

• HF-HRME系统为AIN 2+提供了更好的图像质量和实时诊断功能.
• 这项技术有可能提高高风险人群中前癌症的早期检测和管理.
• 这些发现支持先进成像和人工智能的临床实用性,用于癌预防策略.