在宫癌中基于人工智能的哨兵淋巴结转移的检测
Ilse G T Baeten1, Jacob P Hoogendam1, Nikolas Stathonikos2
1Department of Gynecologic Oncology, Division of Imaging and Oncology, University Medical Center Utrecht, Utrecht University, 3584 CX Utrecht, The Netherlands.
Cancers
|November 9, 2024
概括
一种深度学习算法显示,在早期宫癌中检测哨兵淋巴结 (SLN) 转移时,其灵敏度为100%. 这种人工智能工具可以减少病理学家的工作量和癌症分期的成本.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 人工智能的人工智能
背景情况:
- 哨兵淋巴结 (SLN) 地图绘制对于诊断早期宫癌至关重要.
- 病理性超级分期,涉及连续切割和IHC,是劳动密集型和昂贵的.
- 深度学习 (DL) 提供了有效检测转移的潜力,降低了工作量和成本.
研究的目的:
- 评估DL算法在早期宫癌中检测SLN转移的有效性.
- 评估商用DL算法的灵敏度,最初用于乳腺和结肠癌,现在用于宫癌.
- 展示利用现有的人工智能工具对宫癌病理学的潜力.
主要方法:
- 从21名早期宫癌患者的H&E染色SLN整体幻灯片图像 (WSI) 的回顾性分析.
- 在47个SLN标本上应用CE-IVD认证的DL算法 (非标签).
- 在已知宏和微转移的H&E幻灯片上对算法性能的评估.
主要成果:
- 这项研究包括21名患有不同宫癌亚型和转移大小 (10宏,11微) 的患者.
- DL算法在检测H&E染色SLNWSI上的所有宏和微转移时实现了100%的灵敏度.
- 该算法成功评估了47个SLN标本,包括22个负案例.
结论:
- 一个DL算法在早期宫癌中检测临床相关的SLN转移时表现出高灵敏度.
- 这些发现支持在宫癌病理学中使用针对其他癌症开发的现有人工智能工具的潜力.
- 需要在更大的患者队伍中进行进一步的前性验证,以证实这些有前途的结果.
更多相关视频
06:37Multispectral Real-time Fluorescence Imaging for Intraoperative Detection of the Sentinel Lymph Node in Gynecologic Oncology
Published on: October 20, 2010
23.2K
07:51The Application of 1% Methylene Blue Dye As a Single Technique in Breast Cancer Sentinel Node Biopsy
Published on: June 1, 2019
19.2K