子宫内膜管道活检计算机辅助诊断:一个可行性研究

科学领域:

• 病理学 病理学 病理学
• 在瘤学瘤学.
• 医疗人工智能 医疗人工智能

背景情况:

• 子宫内膜活检对于诊断异常子宫出血和遗传性子宫内膜癌风险至关重要.
• 大约10%的活检揭示了恶性瘤,这给病理学家评估大多良性病例带来了相当大的工作负载.

研究的目的:

• 评估人工智能辅助诊断工具对子宫内膜活检的可行性.
• 在日常实践中的全幻灯片图像上评估AI性能,而不仅仅是选择的案例.

主要方法:

• 在2819个子宫内膜活检上训练了一种AI算法.
• 人工智能对91个活检的分类与15名病理学家的评估进行了比较.
• 活检被分为6个临床组:非代表性,正常,非瘤性,没有异型的增生症,异型的增生症和恶性.

主要成果:

• 病理学家的一致性在6个类别中是适度的 (科恩的卡帕=0.51),在二元良性与 (前) 恶性分类中是实质性的 (科恩的卡帕=0.66).
• 人工智能在6个类别中取得了适度的协议 (科恩卡帕=0.43) 和二进制分类的实质性协议 (科恩卡帕=0.65).
• 人工智能的表现与病理学家在二元良性与 (前) 恶性区分方面是可比的.

结论:

• 人工智能辅助诊断可用于区分良性和 (前) 恶性子宫内膜组织,使用未经选择的病例.
• 子宫内膜前期怀孕对人工智能和人类病理学家来说都是一个挑战.
• 对于用于子宫内膜活检的综合AI诊断解决方案,需要进一步细化.