开发和评估一个卷积神经网络用于皮肤黑色素瘤检测在整个幻灯片图像中的卷积神经网络
Emily L Clarke1,2, Derek Magee3,4, Julia Newton-Bishop5
1From the Department of Histopathology, Leeds Teaching Hospitals NHS Trust, Leeds, United Kingdom (Clarke, Merchant, Treanor).
Archives of pathology & laboratory medicine
|December 12, 2024
概括
一个新的卷积神经网络在整个幻灯片图像中准确地检测入侵性黑色素瘤,提供客观的预后生物标志物. 这种人工智能工具增强了黑色素瘤诊断,并可能改善患者生存预测.
科学领域:
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
- 黑色素瘤研究研究
背景情况:
- 目前的黑色素瘤分期系统只能解释74%的生存差异.
- 瘤形态对于预后至关重要,但受观察者之间的变化影响.
- 需要客观的形态指标来改善黑色素瘤结果的预测.
研究的目的:
- 开发和评估用于侵入性皮肤黑色素瘤检测的卷积神经网络 (CNN).
- 使用整个幻灯片图像 (WSIs) 来产生客观的预后生物标志物.
- 评估CNN在识别瘤形态方面的表现,以改善患者预后.
主要方法:
- 从5个数据集中对1068个WSI进行了2类瘤细分CNN的训练.
- 采用完全卷积式的架构与稀疏的注释.
- 在每像素和每瘤水平上对手册注释和3个扫描平台进行评估网络性能.
主要成果:
- 在黑色素瘤检测方面实现了高每像素灵敏度 (97.59%) 和特异性 (99.86%).
- 在CNN生成和手动注释的瘤尺寸之间显示出高度一致.
- 在不同扫描平台上显示一致的瘤尺寸测量.
结论:
- 成功开发了一种CNN,用于在WSIs中准确地检测侵袭性皮肤黑色素瘤.
- 美国有线电视新闻网 (CNN) 从各种数据来源提供客观的形态指标.
- 未来的研究应该探索这种CNN在生成生存预测指标中的实用性.
