训练高性能深度学习分类器用于口腔细胞学诊断,使用各种注释

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医学图像分析
• 医疗保健中的人工智能

背景情况:

• 医疗图像中的标签不确定性使准确的诊断变得复杂.
• 专业人员之间的变化会影响病理学中的深度学习模型性能.
• 标准化口腔脱皮细胞学注释是具有挑战性的.

研究的目的:

• 开发一个最佳的卷积神经网络 (CNN) 用于口腔皮细胞学.
• 通过结合多位口腔病理学家的注释来解决标签不确定性.
• 评估不同的注释策略,以训练CNN在医学图像分析.

主要方法:

• 六个全幻灯片图像使用QuPath.被细分成.
• 三名口腔病理学家对图像进行了注释,创造了14535个标记的.
• 六个CNN模特被训练使用单位病理学家,基本真相,多数投票和概率标签.
• 使用了ResNet50基线,通过交叉验证和重复统计测试来评估性能.

主要成果:

• 在三种情况下,概率模型实现了曲线值 (0.861,0.955,0.991) 下的最大面积.
• 在两种情况下,概率模型也表现出高精度 (0.988,0.967).
• 用单位病理学家或基准真理标签进行训练的模型显示出低准确度和高可变性.

结论:

• 由多位病理学家获得的CNN分类器经过了概率标签的训练,是口腔皮细胞学的最佳选择.
• 这种方法减轻了由观察者之间的变化引起的诊断不确定性.
• 这些发现支持开发可靠的人工智能解决方案,整合各种专业诊断见解.