鼻癌的自动注释诊断框架通过病理-忠实性GAN和预先驱动的分类
Siqi Zeng1, Xinwei Li2, Yiqing Liu3
1Medical Optical Technology R&D Center, Research Institute of Tsinghua, Pearl River Delta, Guangzhou 510700, China.
Bioengineering (Basel, Switzerland)
|July 27, 2024
概括
这项研究引入了一个AI框架,用于在没有手动注释的情况下诊断鼻癌 (NPC). 该系统在图像分类方面实现了高精度,并与病理学家具有可比性能的性能,优化了早期癌症诊断.
科学领域:
- 人工智能在病理学中的应用
- 数字病理学数字病理学
- 在瘤学瘤学.
背景情况:
- 非角质化癌是一种常见的鼻癌 (NPC) 亚型,由于细胞差异化和复杂的微环境,它带来了诊断挑战.
- 目前用于NPC诊断的AI模型受到昂贵的手动注释需求的阻碍.
研究的目的:
- 开发NPC诊断的深度学习框架,消除了手动注释的需要.
- 创建一个具有成本效益和精确的AI工具,用于NPC的早期病理诊断.
主要方法:
- 提出了一个深度学习框架,包括一个新的未配对生成网络和一个预先驱动的图像分类系统.
- 利用病理-忠实性约束来实现准确的数字染色 (从H&E到EBER),并利用病理事先知识的染色特异性来实现自动数据注释.
- 采用232个案例进行研究,并将框架性能与经验丰富的病理学家在整个幻灯片成像 (WSI) 层面进行比较.
主要成果:
- 该分类系统在分类EBER图像方面实现了99.59%的准确性,与病理学家的诊断密切匹配.
- 在生成EBER图像时,PF-GAN骨干实现了0.8826的特异性,优于其他GAN.
- 该框架的F1-Score用于补丁级诊断为0.9143,超过了完全监督的模型,并证明了与WSI级经验丰富的病理学家相比,NPC诊断性能相当.
结论:
- 开发的低成本,精确的AI框架优化了NPC的早期病理诊断.
- 这项工作为基于AI的癌症诊断提供了创新的战略方向,特别是对于NPC等具有挑战性的亚型.
