开发和评估一个卷积神经网络,用于微观诊断形腺瘤和癌症前形腺瘤之间的微观诊断

科学领域:

• 在瘤学瘤学.
• 数字病理学数字病理学
• 人工智能在医学中的应用

背景情况:

• 形腺瘤是最常见的唾液腺瘤.
• 瘤前形腺瘤是形腺瘤的恶性转变,具有明显的诊断挑战.
• 准确的区分对于适当的患者管理和治疗策略至关重要.

研究的目的:

• 开发和评估一个卷积神经网络 (CNN) 模型,以区分癌瘤前形腺瘤和形腺瘤.
• 为了利用深度学习,特别是ResNet-50架构,实现自动化组织病理学分类.

主要方法:

• 分析了83名巴西患者的队列,这些患者患有多形腺瘤和前多形腺瘤癌.
• 整个幻灯片图像被处理成 224x224 像素的补丁.
• 一个ResNet-50 CNN在80%的数据上受过训练,10%用于验证,10%用于测试.

主要成果:

• 该CNN模型实现了高性能指标:准确度 (0.93),精度 (0.96),灵敏度 (0.94),F1得分 (0.95) 和AUC (0.97).
• 该模型在培训和验证期间显示出强大的学习潜力.
• 观察到模型概括的部分限制,由验证曲线表示.

结论:

• 在ResNet-50模型显示显著的潜力,以显微镜诊断的癌细胞前形腺瘤.
• 需要进一步的研究来增强模型的概括性,可能是通过更大的数据集和机构间合作.
• 这项研究为人工智能驱动的唾液腺瘤诊断提供了有希望的基线.