基于人工智能的乳腺和结肠癌的自动确定,并使用基于云的平台区分非典型和典型的线粒分裂

科学领域:

• 数字病理学和计算成像.
• 机器学习在癌症诊断中的应用.
• 组织病理学分析自动化.

背景情况:

• 在人工智能病理学中,监督机器学习需要准确的基础真理注释,这在研究之间可能会有很大的差异.
• 开发强大的AI模型需要多样化的数据集和标准化的注释协议来实现可靠的性能.

研究的目的:

• 开发和验证人工智能 (AI) 模型,用于自动检测侵袭性乳腺癌.
• 为了实现对结直肠样本中的组织层和癌症类型的自动分析.
• 使用全幻灯片图像 (WSIs) 在各种器官中创建模型来区分异常和典型的线粒分裂.

主要方法:

• 卷积神经网络 (CNNs) 在乳腺,结肠和其他瘤病例的注释全幻灯片图像 (WSIs) 上受训.
• H&E染色幻灯片以高分辨率 (0.12-0.50微米/像素) 扫描,并在基于云的AI平台上处理.
• 人工智能模型的性能使用F1评分进行评估,通过盲人阅读任务进行外部验证.

主要成果:

• 对侵袭性乳腺癌的人工智能模型的F1得分为94.49%.
• 线粒细胞分裂检测模型的F1分数为80.18% (线粒细胞分裂),97.40% (非典型线粒细胞分裂) 和97.68% (典型线粒细胞分裂).
• 结肠项目AI模型显示F1得分高:90.02% (侵入性癌症),94.81% (粘膜下),98.02% (血管和淋巴结).

结论:

• 开发的人工智能模型准确地识别瘤焦点,区分现场区域,定义结肠层,检测血管和淋巴结等关键结构,并区分线粒分裂类型.
• 这些经过验证的AI工具适合整合到乳腺癌评估和高级3D成像分析的临床应用中.
• 这项研究强调了人工智能在标准化和提高组织病理学诊断准确性的潜力.