一个基于视觉转换器的识别系统,用于诊断唾液腺新生体
Mao Li1, Ze-Liang Shen1, Hong-Chun Xian1
1State Key Laboratory of Oral Diseases and National Clinical Research Center for Oral Diseases, Department of Pathology, West China Hospital of Stomatology, Sichuan University, Chengdu, China.
The American journal of pathology
|November 3, 2024
概括
一个新的AI模型SGN-ViT使用深度学习准确地分类了常见的唾液腺瘤. 这种计算机辅助诊断工具显示出有助于病理学家的潜力,改善了唾液腺瘤的诊断速度和准确性.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 唾液腺瘤的组织病理学
背景情况:
- 唾液腺瘤 (SGNs) 呈现出显著的细胞形态多样性,这给诊断带来了挑战.
- 精确的SGNs组织学分类对于准确的诊断和患者管理至关重要.
- 当前的诊断方法可能耗时,需要专门的专业知识.
研究的目的:
- 开发和评估计算机辅助诊断 (CADx) 模型,用于分类唾液腺瘤的流行亚型.
- 为了利用Vision Transformer (ViT) 深度学习架构来增强SGN分类.
- 与人类病理学家相比,评估开发的AI模型的诊断性能和效率.
主要方法:
- 使用了3046张组织学确认的SGN全幻灯片图像的数据集,涵盖了9个组织类别.
- 基于视觉转换器 (ViT) 的深度学习模型,称为SGN-ViT,已被开发用于瘤分类.
- 评估了性能指标,包括准确性,AUC,精度,回忆和F1分数. 与基准模型和首席病理学家的表现进行了比较.
主要成果:
- 在对八种常见的SGN亚型进行分类时,SGN-ViT实现了高性能,准确度为0.9966.
- 与基准模型相比,该模型表现出优异的性能,AUC为0.9899和F1得分为0.9848.
- 在一个子集分析中,SGN-ViT与首席病理学家的诊断性能相匹配,同时显著减少了诊断时间.
结论:
- SGN-ViT模型显示出作为一种有价值的计算机辅助诊断工具,用于唾液腺瘤的显著潜力.
- 这种人工智能方法可以提高诊断的准确性,特别是对于初级病理学家,并提高工作流程的效率.
- 进一步将人工智能纳入组织病理学可以帮助准确和及时诊断SGNs.
