深度学习用于Mohs微图外科手术基础细胞癌的自动细分冷部分幻灯片的自动细分
Vamsi Varra1, Kathryn T Shahwan1,2,3, Kirsten Johnson1
1The Ohio State University Wexner Medical Center, Columbus, Ohio.
概括
这项研究开发了一种深度学习模型,用于在莫斯手术 (MMS) 幻灯片上定位基底细胞癌 (BCC),实现了根据BCC亚型而异的良好准确性. 为了改善临床性能指标,需要进一步的研究.
科学领域:
- 皮肤病理学 皮肤病理学
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 深度学习模型已经成功地从基底细胞癌 (BCC) 图像中分类了基底细胞癌 (BCC).
- 分段模型对于瘤定位在莫斯手术 (MMS) 的冷部分至关重要,但缺乏临床实用性.
研究的目的:
- 开发和评估一个细分模型,用于在MMS冷断面幻灯片上定位BCC.
- 评估模型在不同BCC亚型中的性能.
主要方法:
- 利用348名BCC患者的冷组织幻灯片进行整体幻灯片成像.
- 使用大挑战平台手动注释BCC焦点.
- 采用Ultralytics YOLOv8模型进行细分,并将数据分割用于培训,验证和测试.
主要成果:
- 在BCC瘤局部化方面实现了0.71的整体灵敏度和0.75的特异性.
- 性能因亚型而异:结节性BCC (灵敏度为0.87),表面性BCC (灵敏度为0.79),微结节性BCC (灵敏度为0.74),形态/透性BCC (灵敏度为0.51).
- 具体性也显示了亚型变异,微块BCC达到0.83和块BCC0.59.
结论:
- 深度学习细分模型可以将BCC定位在MMS冷部分上,具有显著的灵敏度和特异性.
- 模型性能取决于特定的BCC亚型.
- 开发更准确和临床相关的绩效指标对细分研究是必不可少的.
