提供和利用PDAC领域的细胞学家的注释数据作为开放数据的路线图:支持基于AI的病理学图像分析开发和数据利用策略的支持
Jongkwang Kim1, Sumok Bae1, Seong-Mi Yoon2
1Department of Medical Informatics, School of Medicine, Kyungpook National University, Daegu, Republic of Korea.
Frontiers in oncology
|July 22, 2024
概括
这项研究为胰腺管腺癌 (PDAC) 研究提供了高质量的注释数据,使人工智能开发能够更快地诊断并提高病理学家在识别这种致命癌症方面的效率.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 人工智能的人工智能
背景情况:
- 胰腺癌,特别是胰腺管腺癌 (PDAC),存活率极低,并构成了重大的临床挑战.
- 目前PDAC的组织病理学诊断是劳动密集型和耗时的.
- 医学数据的有限可用性阻碍了AI在病理学研究中的进展.
研究的目的:
- 为了解决PDAC的注释病理学数据的稀缺性.
- 开发和评估人工智能模型,用于在组织病理图像中对PDAC进行细分.
- 展示高质量的注释数据在推进人工智能驱动的癌症诊断中的实用性.
主要方法:
- 创建易于访问的,高质量的注释数据从PDAC全病原体全幻灯片图像 (WSIs).
- 使用深度卷积神经网络进行图像细分的监督学习.
- 使用注释的WSIs上的Dice分数对细分性能的评估.
主要成果:
- 在WSIs中成功对PDAC区域进行细分,子得分为73%.
- 确定PDAC诊断至关重要的关键领域,证实高数据质量.
- 证明人工智能协助可以显著提高病理学家的效率.
结论:
- 开发的病理性AI指南对于创建用于PDAC组织病理学的AI工具是有效的.
- 提供的注释数据集有助于人工智能在PDAC诊断方面的研究和开发.
- 人工智能辅助病理学具有显著的潜力,可以改善胰腺癌的临床结果.
