相关实验视频
Updated: Jun 18, 2025
07:07
A Melanoma Patient-Derived Xenograft Model
Published on: May 20, 2019
12.4K
使用深度学习模型评估黑色素细胞密度在切除边缘的lentigo恶性
Jan Siarov1,2, Darshan Kumar3, John Paoli4
1Department of Laboratory Medicine, Institute of Biomedicine, Sahlgrenska Academy, University of Gothenburg, Gothenburg, Sweden. jan.siarov@vgregion.se.
Diagnostic pathology
|August 3, 2024
概括
一个新的深度学习模型准确地检测了lentigo恶性 (LM) 边缘,帮助病理学家评估复发风险. 这种人工智能工具可以提高黑色素瘤前体病变的诊断准确度.
科学领域:
- 皮肤病理学 皮肤病理学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 具有明确边缘的外科切除对于治疗虫恶性 (LM) 来预防侵袭性黑色素瘤至关重要.
- 在LM的阳光损伤皮肤中评估切除边缘是诊断上具有挑战性的.
- 开发了一种深度学习 (AI) 模型,用于检测LM切除边缘中的黑色素细胞.
研究的目的:
- 评估深度学习模型在识别高风险晶状体恶性 (LM) 切除边缘方面的准确性.
- 为了比较人工智能模型的表现与皮肤病理学家和病理学住院医生的表现.
- 评估人工智能协助对病理学家在边际评估中的表现的影响.
主要方法:
- 从295个LM全幻灯片图像 (WSI) 中对3,973个像素智能注释训练了一个深度学习算法.
- 在58个WSI上验证和测试了AI模型,将其性能与3名皮肤病理学家和2名病理学医生进行了比较.
- 使用免疫组织化学 (SOX10) 作为参考标准,并根据黑色素细胞计数定义了基于黑色素细胞计数的复发风险 (≤25对>25每0.5毫米2).
主要成果:
- 人工智能模型实现了0.84的AUC,用于区分低和高的复发风险边际.
- 皮肤病理学家的AUC范围从0.72到0.90,居民的AUC范围从0.68到0.80.
- 人工智能辅助显著改善了5名参与病理学家中的2名病理学家的表现.
结论:
- 深度学习在检测与复发风险相关的LM切除边缘方面表现出显著的准确性.
- 人工智能工具有可能帮助病理学家进行预先查和评估LM边缘.
- 人工智能集成可以提高皮肤病理学诊断性能,用于像LM这样具有挑战性的病例.
