向可解释的细胞图像表示和宫癌查的异常评分使用巴普查

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 医疗保健中的人工智能

背景情况:

• 宫癌查对于早期检测至关重要,但需要大量的劳动力.
• 深度学习模型显示了自动化巴氏涂抹分析的前景.
• 阶级不平衡和医疗数据的高标签成本需要替代的培训策略.

研究的目的:

• 开发一种可解释的深度学习方法,用于使用一类分类来表示宫细胞.
• 为了在训练期间不使用异常样本,在巴氏涂片图像中检测异常.
• 有效地定位和解释检测到的细胞异常.

主要方法:

• 使用变异自编码器来对宫细胞学图像进行一类分类.
• 开发了一个基于学习表现的细胞异常的评分系统.
• 采用了聚合集群,并采用了新的交叉差度指标来定位异常.

主要成果:

• 实现了0.908±0.003的操作特征曲线 (AUC) 下的面积,以区分平细胞癌 (SCC) 和正常细胞.
• 达到0.920±0.002的AUC,可以从正常细胞中区分高度状内皮损伤 (HSIL).
• 与其他聚类方法相比,证明了V测量和同质性得分的改善,增强了异常区域的隔离.

结论:

• 拟议的一类分类方法有效地检测宫细胞异常,而不需要异常训练数据.
• 可解释的深度表示和新的本地化指标有助于解释查结果.
• 该模型在外部数据集上显示出强大的性能,表明其在宫癌查中的实际应用潜力.