使用深度学习与转移学习的自动皮肤状细胞癌分级.

科学领域:

• 皮肤病理学 皮肤病理学
• 计算病理学计算病理学
• 医学中的人工智能

背景情况:

• 皮肤状细胞癌 (cSCC) 的组织学分类对于患者的预后和治疗计划至关重要.
• 手动分级方法往往是主观和低效的,导致潜在的诊断变化.

研究的目的:

• 开发和验证深度学习 (DL) 模型,用于cSCC自动分级.
• 为了提高诊断准确性 (ACC) 和cSCC分类的效率.

主要方法:

• 三个深度神经网络 (DNN) 架构 (AlexNet,GoogLeNet,ResNet-18) 在300个cSCC基因病理图像上使用转移学习进行训练.
• 用ACC,灵敏度 (SN),特异性 (SP) 和曲线下的面积 (AUC) 来评估模型性能.
• 临床验证涉及将DNN预测与病理学家诊断的60张额外图像进行比较.

主要成果:

• DL模型表现出高性能,ACC超过85%,SN超过85%,SP超过92%,AUC超过97%.
• 在DNN预测和病理学家诊断之间,以及在不同网络架构之间观察到强烈的一致性.
• 开发的DL模型是公开可用的,用于进一步的研究和临床应用.

结论:

• 深度学习显示了提高cSCC诊断的客观性和效率的重大前景.
• 使用DL的自动分级有可能提高诊断准确性,并最终改善cSCC管理中的患者结果.