保持病理学家在循环中,以及适应性F1-Score值方法,用于检测狗周血管壁瘤中的真菌分裂
Taranpreet Rai1,2, Ambra Morisi3, Barbara Bacci4
1Centre for Vision, Speech and Signal Processing, University of Surrey, Guildford GU2 7XH, UK.
Cancers
|February 10, 2024
概括
对于犬类软组织肉瘤分级的线粒分裂计数是可变的. 这项研究使用了病理学家输入的深度学习来改善狗周血管壁瘤中线粒分裂的检测,达到0.75.5的竞争性F1得分.
科学领域:
- 兽医病理学 兽医病理学
- 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:
- 线粒细胞数 (MC) 对于对犬类软组织肉瘤 (cSTS) 的分类至关重要.
- MC 容易发生显著的观察者间和观察者内部变异.
- 为了准确的cSTS分级,需要对MC进行标准化.
研究的目的:
- 开发一种标准化的深度学习方法,用于检测狗周脉壁瘤 (cPWTs) 中的线粒分裂.
- 为了应对耗时和可变的手动线粒分裂的挑战.
- 提高cSTS组织学分级的准确性和一致性.
主要方法:
- 一个两步的注释过程,涉及兽医病理学家和预训练的Faster R-CNN模型.
- 病理学家审查和纠正错误的阳性线粒分裂候选者,创建一个更新的数据集.
- 在增强的数据集上重新训练了Faster R-CNN模型,并应用了最佳决策值.
主要成果:
- 精细的Faster R-CNN模型在cPWTs中检测了线粒分裂的最佳F1得分为0.75.
- 这种性能与现有的最先进的方法在犬类线粒症检测中具有竞争力.
- 人在循环中的方法提高了自动检测过程的可靠性.
结论:
- 深度学习模型,特别是在病理学家的合作下,可以在兽医瘤学中标准化线粒分裂计数.
- 这种方法提供了一个有前途的解决方案,以减少cSTS分级中的观察者变化.
- 进一步开发可以提高诊断准确度和犬类瘤病理学的一致性.
