用人工智能技术提高甲状腺细针吸入细胞学的诊断准确性
Yujin Lee1, Mohammad Rizwan Alam2, Hongsik Park1
1Department of Hospital Pathology, St. Vincent's Hospital, College of Medicine, The Catholic University of Korea, Suwon, Republic of Korea.
概括
人工智能 (AI) 显著提高了甲状腺细针吸收 (FNA) 细胞学的诊断准确性. 人工智能模型与专家细胞病理学家相比表现优越,提高了诊断的一致性.
科学领域:
- 病理学和细胞学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 人工智能 (AI) 在病理学和细胞学方面表现有前途.
- 甲状腺细针吸收 (FNA) 细胞学对于诊断甲状腺结节至关重要.
- 开发准确的甲状腺FNA人工智能模型需要大量高质量的数据集.
研究的目的:
- 开发和评估甲状腺FNA细胞学的AI模型.
- 将AI的诊断性能与专家细胞病理学家进行比较.
- 评估人工智能对诊断准确度和观察者间变异性的影响.
主要方法:
- 从甲状腺FNA收集了大量的整个幻灯片图像 (WSI) 的数据集,其中包括z-stacking.
- 使用了Inception ResNet v2模型,与六个AI模型进行了预测.
- 进行了一项多中心的回顾性研究,将AI性能与1031个细胞病理学家分析的图像补丁进行比较.
主要成果:
- 人工智能模型实现了高精度 (99.7%的训练,97.7%的验证,94.9%的测试).
- 人工智能显示的准确性 (99.71%) 和特异性 (99.61%) 比平均专家细胞病理学家 (88.91%和90.58%) 高得多.
- 在AI结果咨询后,专家性能和诊断协议得到了改进.
结论:
- 人工智能技术可以提高甲状腺FNA细胞学中的诊断准确性.
- 人工智能应用可能会减少病理学家之间观察者内部和观察者间的变化.
- 需要进一步的研究来证实这些发现.
