使用级联神经网络,人工智能辅助诊断 vulvovaginal 候群病
Zhongxiao Wang1, Ruliang Wang2, Haichun Guo3
1Hebei Key Laboratory of Nerve Injury and Repair, Chengde Medical University, Chengde, China.
Microbiology spectrum
|November 22, 2024
概括
一个新的AI模型从显微镜图像中准确地诊断出 vulvovaginal candidiasis (VVC),表现优于人类专家. 这种人工智能工具还提高了专家诊断的准确性,显示了在VVC检测中临床使用的希望.
科学领域:
- 医学真菌学 医学真菌学
- 计算生物学 计算生物学
- 数字病理学数字病理学
背景情况:
- Vulvovaginal candidiasis (VVC) 是女性常见的全球性真菌感染.
- 准确的诊断对于有效的治疗至关重要.
- 传统的诊断方法在准确性和效率方面存在局限性.
研究的目的:
- 开发和评估一个级联深度神经网络模型,用于VVC的幻灯片级诊断.
- 将人工智能模型的诊断性能与人类专家进行比较.
- 评估人工智能模型作为提高专家诊断准确性的辅助工具的实用性.
主要方法:
- 一个级联深度神经网络模型被训练在100387个显微镜图像从1761个幻灯片.
- 该模型被评估为酵母,芽酵母,酵母和VVC的幻灯片级诊断.
- 专家的表现与人工智能模型进行了比较,并通过人工智能协助重新评估了他们的准确性.
主要成果:
- 人工智能模型实现了高AUC值 (0.9447-0.9793) 诊断酵母形态状态.
- 人工智能模型与平均专家表现相比,显示出更高的诊断准确性.
- 人工智能辅助诊断显著提高了高达8.19%的专家准确度,用于VVC检测.
结论:
- 与人类专家相比,开发的AI模型对VVC具有更高的诊断准确性.
- 人工智能模型有效地提高了医疗保健专业人员的诊断能力.
- 这种AI工具在帮助VVC诊断方面具有显著的临床应用潜力.
