精确分类非肌肉侵入性膀癌与多尺度金字塔CNN的精确分类

科学领域:

• 数字病理学数字病理学
• 人工智能在瘤学中的应用
• 计算病理学计算病理学

背景情况:

• 在非肌肉侵入性膀癌 (NMIBC) 分级中的主观解释对准确的严重程度评估提出了挑战.
• 对NMIBC的客观分级对于有效的治疗计划和患者的治疗结果至关重要.

研究的目的:

• 开发和评估一个创新的人工智能 (AI) 系统,用于NMIBC的客观评分.
• 为了利用一种新的卷积神经网络 (CNN) 架构来分析基因病理图像.

主要方法:

• 一个多尺度的金字塔预训练CNN架构被用来分析来自数字病理图像的本地和全球病理标志物.
• 美国有线电视新闻网处理了三个层次的图像补丁,通过随机森林 (RF) 分类器进行NMIBC严重性估计.
• 模型超参数,包括最佳补丁大小,使用网格搜索算法确定.

主要成果:

• 基于ShuffleNet的AI系统在测试数据上表现出高性能,达到94.25%的准确性,94.47%的灵敏性,94.03%的特异性和94.29%的F1分数.
• 与ResNet-18.8.等传统模型相比,人工智能系统表现出卓越的性能.
• 该系统在32,000个补丁上进行了训练,并在8,000个补丁上进行了测试,全部由两名病理学家注释.

结论:

• 开发的AI系统为NMIBC评级提供了强大而准确的方法,解决了主观解释的局限性.
• 这种人工智能工具显示出在数字病理学中推进人类疾病诊断的巨大潜力.
• 该系统的效率和准确性为组织病理学中的AI应用建立了新的基准.