基于机器学习模型的初级骨瘤辅助诊断
Sandong Deng1, Yugang Huang2, Cong Li3
1Department of Orthopedics, Affiliated Hengyang Hospital, Hunan Normal University (Hengyang Central Hospital), Hengyang, Hunan 421001, China.
Journal of bone oncology
|December 3, 2024
概括
这项研究开发了一种深度学习模型,用于使用全幻灯片成像诊断原发性骨瘤. 该模型在区分瘤和正常组织方面取得了很高的准确性,并在区分良性和恶性骨瘤方面表现出有前途.
科学领域:
- 计算病理学计算病理学
- 在瘤学瘤学.
- 数字病理学数字病理学
背景情况:
- 准确诊断原发性骨瘤对于有效治疗和改善患者的治疗结果至关重要.
- 传统的组织病理学诊断可能是主观的,耗时的.
- 机器学习的进步为客观和高效的诊断工具提供了潜力.
研究的目的:
- 开发和评估一种机器学习模型,用于使用全幻灯片成像 (WSI) 来辅助诊断原发性骨瘤.
- 评估模型在区分正常和瘤组织以及良性和恶性骨瘤之间的准确性.
- 探索深层卷积神经网络 (DC-NN) 与成像奥米克分析的临床价值.
主要方法:
- 建立了来自各种骨瘤类别的组织病理样本的WSI数据库.
- 集成多个神经网络架构,专注于DC-NN,用于机器学习模型开发.
- 采用成像奥米克分析和基因选方法,涉及对T测试来分析数据.
主要成果:
- 该DC-NN模型在区分正常图像和瘤图像方面取得了卓越的准确性 (99.8%±0.4%).
- 正常与瘤分类的积极和消极预测值分别为 (100.0% ± 0.0%) 和 (99.6% ± 0.8%).
- 为了区分良性和恶性骨瘤,该模型显示精度为71.2%±1.6%,AUC为0.62±0.06.
结论:
- 深度学习模型可以准确地分类骨瘤组织病理学,性能与经验丰富的病理学家相比.
- 这些发现支持机器学习辅助骨瘤组织病理学诊断的可行性和有效性.
- 这项研究为推进骨瘤诊断中的AI提供了基础.


