评估深度学习对前列腺癌自动格里森分级的性能

科学领域:

• 数字病理学数字病理学
• 人工智能的人工智能是人工智能.
• 在瘤学瘤学.

背景情况:

• 前列腺癌的诊断严重依赖于精确的格里森分级.
• 当前的分级方法可能是主观的,耗时的.
• 需要先进的计算工具来有效和精确地评估前列腺癌.

研究的目的:

• 为了比较11个深度神经网络 (DNN) 架构在前列腺癌中自动格里森分级的有效性.
• 评估传统DNN架构与最近DNN架构在分类前列腺组织样本中的性能.
• 确定最有前途的人工智能模型,以改善前列腺癌诊断.

主要方法:

• 利用了34264个注释前列腺组织的数据集.
• 采用基于AUCMEDI框架的标准化图像分类管道.
• 评估了11个不同的深度神经网络架构,包括传统和最近的模型.

主要成果:

• 在不同的DNN架构中观察到灵敏度的显著变化.
• 最近的架构在自动化的格里森分级中通常优于传统的架构.
• ConvNeXt模型展示了最高的性能,平衡复杂性和通用性.
• 在区分密切相关的格里森等级之间仍然存在挑战.

结论:

• 深度神经网络,特别是像ConvNeXt这样的新架构,显示了自动格里森分级的巨大潜力.
• 人工智能驱动的数字病理学可以提高前列腺癌诊断的准确性和效率.
• 进一步研究如何区分微妙的格里森等级变化是有必要的.