对深度学习的数据增强在评估内超声波引导细针吸收的快速现场细胞病理学的有效性
Yuki Fujii1, Daisuke Uchida2, Ryosuke Sato2
1Department of Gastroenterology and Hepatology, Okayama University Graduate School of Medicine, Dentistry and Pharmaceutical Science, 2-5-1, Shikata-Cho, Kita-Ku, Okayama, Okayama, Japan. pmug1j9r@s.okayama-u.ac.jp.
Scientific reports
|September 28, 2024
概括
一个人工智能 (AI) 系统用于快速现场评估 (ROSE) 已开发用于内镜超声波引导细针吸收 (EUS-FNA). 几何变换数据增强显著提高了人工智能系统对EUS-FNA幻灯片图像的诊断准确度.
科学领域:
- 医疗人工智能 医疗人工智能
- 计算病理学计算病理学
- 胃肠病学 诊断 诊断 胃肠病学
背景情况:
- 快速现场评估 (ROSE) 提高了内镜超声波引导细针吸收 (EUS-FNA) 诊断的准确性.
- 全球缺乏细胞病理学家限制了许多机构的ROSE可用性.
- 人工智能 (AI) 为弥合这种诊断差距提供了一个潜在的解决方案.
研究的目的:
- 在EUS-FNA中开发和评估基于AI的ROSE (ROSE-AI) 系统.
- 调查各种数据增强技术对ROSE-AI性能的影响.
- 确定最有效的数据增强策略,以提高诊断准确度.
主要方法:
- 一个人工智能系统 (ROSE-AI) 使用增强的EUS-FNA幻灯片图像进行训练.
- 数据增强技术包括几何转换,颜色空间转换和内核过.
- 使用五倍交叉验证来比较不同增强方法在45名患者的4059张图像上的疗效.
主要成果:
- 没有数据增强的ROSE-AI系统实现了87.5%的灵敏度,79.7%的特异性和83.7%的准确性.
- 几何变换数据增强导致了最高的诊断准确率88.2%.
- 其他增强技术显示出不同的效果,其中一些降低了诊断性能.
结论:
- 成功开发了一种具有高诊断能力的原型ROSE-AI系统.
- 几何转换被证明是这个AI系统最有效的数据增强技术.
- 数据增强策略与人工智能介导的诊断具有不同的兼容性,这凸显了技术选择的重要性.
