人工智能识别模型使用基于液体的细胞学图像来区分恶性癌症和非小细胞肺癌的组织学类型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 人工智能 (AI) 图像识别在临床环境中越来越多地应用.
• 肺癌的诊断严重依赖于准确的细胞病理学.
• 细胞学图像的自动分析可以提高诊断效率.

研究的目的:

• 开发和评估深度学习卷积神经网络 (DCNN) 模型,用于肺癌细胞学的自动分类.
• 评估模型在区分正常,腺癌和状细胞癌方面的表现.
• 探索AI在支持临床细胞病理学诊断方面的潜力.

主要方法:

• 从正常,腺癌 (ADC) 和状细胞癌 (SQCC) 手术样本中创建了一个由9,141个帕帕尼科劳染色液体基细胞学样本组成的数据集.
• 整个幻灯片成像被用来扫描45个准备好的幻灯片.
• 使用Densenet-121 DCNN架构进行分类任务,包括恶性瘤预测 (正常与恶性瘤) 和组织学类型差异化 (ADC与SQCC),利用AdamW优化器和5倍交叉验证.

主要成果:

• 在恶性瘤预测方面,DCNN取得了高绩效:补丁级准确度为0.94 (灵敏度为0.97,特异性为0.85) 和病例级准确度为0.91 (灵敏度为0.92,特异性为0.88).
• 对于SQCC预测,补丁级准确度为0.90 (灵敏度为0.86,特异性为0.91),病例级准确度为0.78 (灵敏度为0.73,特异性为0.82).
• 该模型在分类肺癌类型和预测恶性瘤方面表现强.

结论:

• 开发的DCNN模型在从细胞学图像中预测肺癌恶性和组织学亚型方面表现出色.
• 这种由人工智能驱动的工具有可能帮助临床医生进行细胞病理学诊断,从而提高诊断准确性和效率.
• 进一步融入临床工作流程可以加强培训,改善诊断结果.