组织病理学图像分类:突出说明手动分析和人工智能自动化之间的差距
Refika Sultan Doğan1,2, Bülent Yılmaz2,3,4
1Department of Bioengineering, Abdullah Gül University, Kayseri, Türkiye.
Frontiers in oncology
|February 1, 2024
概括
人工智能 (AI) 显著提高了结直肠癌诊断的组织病理图像分类准确性. 人工智能模型实现了0.91-0.97的准确性,超过了传统的机器学习方法.
科学领域:
- 数字病理学和对组织病理学图像的计算分析.
- 人工智能 (AI) 和机器学习在医学诊断中的应用.
背景情况:
- 数字病理学已经推进了对组织病理学图像的自动化分析.
- 传统的手动方法在从组织病理学上诊断结直肠癌方面存在局限性.
- 人工智能,特别是卷积神经网络 (CNN),在病理图像分析方面表现有前途.
研究的目的:
- 研究人工智能用于组织病理学图像分类和分析.
- 为高性能,不那么复杂的图像分类开发一个AI架构.
- 将AI算法与传统的机器学习进行比较,用于组织分类.
主要方法:
- 使用开源,多中心的基因病理图像数据集 (100,000培训,7180测试图像).
- 开发了一个基于人工智能的图像分类架构.
- 将AI算法 (CNN) 与传统的机器学习 (面向梯度 + 随机森林的直方图) 进行比较.
主要成果:
- 人工智能系统在二元分类 (正常与瘤) 中达到0.91的准确性,在多类分类 (九种组织类型) 中达到0.97的准确性.
- 定向梯度 + 随机森林的直方图实现了0.75 (二进制) 和0.44 (多类) 的精度.
- 美国有线电视新闻网 (CNN) 模型在现有机器学习技术上表现出了卓越的性能.
结论:
- 基于人工智能的方法是可通用的,可以提高组织病理学诊断的准确性和效率.
- 人工智能显示出在临床实践中评估组织病理图像的巨大潜力.
- 数据的一致性和规范化对于有效的AI驱动的组织病理学分析至关重要.
