通过深度学习辅助的手术内冷甲状腺病变的病理诊断

科学领域:

• 数字病理学数字病理学
• 医学中的人工智能
• 在瘤学瘤学.

背景情况:

• 甲状腺癌是一种常见的恶性瘤,需要精确的手术内诊断来进行精确手术.
• 数字全幻灯片图像 (WSI) 和深度学习已经显示出在组织病理学分类中的承诺.
• 这项研究解决了需要评估深度学习在诊断手术内冷甲状腺病变的实用性.

研究的目的:

• 开发和验证一个基于深度学习的诊断系统,用于手术期间的冷甲状腺病变.
• 评估系统将病变分为五类的能力:乳头甲状腺癌,骨髓甲状腺癌,形甲状腺癌,卵泡甲状腺瘤和非癌性病变.
• 为了确定深度学习是否可以帮助在手术内结甲状腺病变的病理学诊断.

主要方法:

• 一个人工智能辅助的诊断系统是使用先前知识和二分法/二次法判断方法开发出来的.
• 该系统在孙中山大学的4409个冷数字病理学部分 (WSI) 上进行了训练和测试.
• 通过六倍交叉验证,对乳头小癌的敏感性测试和外部数据集评估来验证性能.

主要成果:

• 开发的系统在测试幻灯片上实现了高性能,准确度为0.9459,精度为0.9475,AUC为0.9955.
• 该系统准确地识别了乳头癌的小病变 (2毫米).
• 在手术内诊断时间要求得到满足,切割处理时间为346.12s,推断时间为98.61s.

结论:

• 该研究介绍了第一个深度学习分类器,用于手术内冷甲状腺组织病理学WSI分类.
• 人工智能系统在分类甲状腺病变方面表现出高精度,有助于病理学家和精确手术.
• 这种深度学习方法对甲状腺病变的诊断和治疗具有重大潜在的临床影响.