评估一个深度学习模型的转移性状细胞癌预测从整个幻灯片图像的深度学习模型

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 状细胞癌 (SCC) 诊断依赖于识别淋巴结转移,用于预后和治疗.
• 目前用于SCC预测的人工智能 (AI) 应用有限.
• 在SCC中精确检测淋巴结转移对于患者管理至关重要.

研究的目的:

• 开发和验证一种深度学习模型,用于预测淋巴结剖析样本中的SCC转移.
• 该模型旨在利用整个幻灯片图像 (WSI) 来检测SCC转移.
• 评估AI模型在识别淋巴结中的转移性SCC中的性能.

主要方法:

• 使用EfficientNetB1架构的深度学习模型在6587个WSI (2413个SCC,4174个非新型) 上训练了来自不同解剖部位的深度学习模型.
• 培训使用了WSI级别的标签,没有具体的注释.
• 该模型在从激进淋巴结解剖标本中获得的541个WSI的单独测试组上进行了评估.

主要成果:

• 人工智能模型在检测SCC淋巴结转移方面表现出很高的性能,接收器操作特征曲线下的区域范围从0.880到0.987.
• 该模型准确地确定了真正的积极因素和真正的负面因素.
• 限制包括来自生殖中心和文物的错误阳性,以及来自差异化SCC的错误阴性.

结论:

• 开发的AI模型具有显著的潜力,可以增强SCC淋巴结转移的检测.
• 人工智能工具可以减少病理学家的工作量,提高诊断效率.
• 需要进一步改进,以提高SCC检测模型的稳定性和临床适用性.