通过快速现场细胞病理评估,在病理部分对肺癌细胞进行细分的多层次连接UNet
Hongyi Lan1, Pei Chen2, ChenXi Wang1
1Key Laboratory of Biomedical Information Engineering of Ministry of Education, School of Life Science and Technology, Xi'an Jiaotong University, Xi'an, China.
The American journal of pathology
|June 19, 2024
概括
这项研究引入了一个深度学习算法,使用ROSE成像在手术期间快速识别肺癌细胞. 人工智能模型显著提高了EBUS-TBNA程序期间诊断肺癌的准确性和效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肺癌是全球主要的健康问题,需要早期检测才能有效治疗.
- 机器学习有可能提高肺癌诊断准确度.
- 胸腔内膜超声导向的跨胸腔针吸收活检 (EBUS-TBNA) 是一个关键的诊断程序.
研究的目的:
- 开发一个深度学习细分算法,用于快速的现场细胞病理评估 (ROSE).
- 为了提高EBUS-TBNA在手术过程中的诊断效率.
- 在ROSE染色的病理图像中准确地细分肺癌细胞群.
主要方法:
- 使用CUNet3+深度学习网络模型进行图像细分.
- 将算法应用于EBUS-TBNA活检中的ROSE染色病理部分.
- 评估模型性能使用F1得分,回忆,精度,准确性和ROC AUC等指标.
主要成果:
- CUNet3+模型实现了高分段精度 (F1得分:0.9604,精度:0.9834).
- 证明了出色的癌症识别能力,ROC AUC为0.9972.
- 超越了经典算法,减少了过度细分和提高了计算效率.
结论:
- 拟议的深度学习算法显著提高了EBUS-TBNA期间肺癌诊断的速度和准确性.
- 人工智能驱动的ROSE方法适合实时评估,提高外科手术效率.
- 这项技术代表了肺癌早期检测的宝贵进步.
