一项基于深度学习的多中心概念验证研究,针对初级中枢神经系统淋巴瘤的手术内歧视
Xinke Zhang1, Zihan Zhao1, Ruixuan Wang2
1Department of Pathology, State Key Laboratory of Oncology in South China, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, Guangzhou, 510060, China.
Nature communications
|May 4, 2024
概括
一个新的深度学习模型,LGNet,准确地区分了初级中枢神经系统淋巴瘤 (PCNSL) 与质瘤和其他结部分的病变. 这个人工智能工具帮助病理学家,改善手术内诊断和神经外科决策.
科学领域:
- 神经病理学神经病理学
- 人工智能在医学中的应用
- 手术病理学手术病理学
背景情况:
- 中枢神经系统病变的准确的手术内诊断对于神经外科决定至关重要.
- 使用冷部分将初级中枢神经系统淋巴瘤 (PCNSL) 与其他瘤 (如质瘤) 区分开来,对病理学家来说是一项挑战.
研究的目的:
- 开发和验证一个深度学习模型 (LGNet) 以精确区分PCNSL与非PCNSL病变,特别是质瘤,在H&E染色的冷整片图像中.
- 将LGNet的诊断性能与不同专业知识的病理学家进行比较.
- 评估一种结合人工智能和病理学家诊断的人机融合方法.
主要方法:
- 开发和验证一个深度学习模型 (LGNet) 使用H&E染色的冷整片图像.
- 对不同经验水平的病理学家进行LGNet表现的比较分析.
- 人机融合诊断战略的实施和评估.
主要成果:
- 在外部队列中,LGNet实现了高诊断准确度,PCNSL与结质瘤的AUROC为0.965-0.972,PCNSL与非PCNSL病变的AUROC为0.981-0.993.
- 在诊断准确度方面,LGNet的表现超过了几位病理学家.
- 人机融合方法进一步增强了诊断性能.
结论:
- LGNet在从冷部位的PCNSL手术内诊断方面表现出显著的熟练程度,特别是在将其与质瘤区分开来时.
- 人工智能模型显示,它是一个有价值的工具,可以帮助病理学家,提高诊断准确度,并可能改善患者管理.
- 人工智能和人类专业知识的协同整合为外科病理学提供了增强的诊断能力.
