BMT:用于机器学习模型培训和验证的交叉验证的thinpreppap宫细胞学数据集.
E Celeste Welch1, Chenhao Lu2, C James Sung3
1Center for Biomedical Engineering, School of Engineering, Brown University, Providence, RI, 02912, USA.
Scientific data
|December 28, 2024
概括
这项研究引入了第一个公开的多细胞ThinPrep®巴氏涂抹数据集,用于AI培训. 本资源有助于开发更准确的宫发育不良的诊断模型.
科学领域:
- 细胞病理学 细胞病理学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 现有的巴氏涂抹数据集通常使用较旧的方法或单细胞,限制AI模型的概括性.
- 多细胞基于液体的Pap数据集更好地代表了当前的宫查技术.
- 由于视觉差异,在一种准备方法 (例如,SurePathTM) 上训练的模型在其他方法 (例如,ThinPrep®) 上表现不佳.
研究的目的:
- 为了呈现第一个公开可用的多细胞ThinPrep®巴氏涂抹图像数据集.
- 为培训和测试用于宫部查的人工智能模型提供资源.
- 提高人工智能模型在诊断宫发育不良时的准确性.
主要方法:
- 创建"棕色多细胞薄Prep" (BMT) 数据集.
- 收集了来自180张帕普片的600张经过临床审查的图像.
- 将图像分为三个关键诊断类别的分类.
主要成果:
- 该 BMT 数据集是同类中第一个,为人工智能开发提供了宝贵的资源.
- 该数据集解决了现有数据集的局限性,特别是准备方法之间的视觉差异.
- 促进在更常见的ThinPrep®协议上训练的AI模型的开发.
结论:
- 在宫癌查中推进AI,BMT数据集至关重要.
- 这种资源将使开发更强大,更准确的诊断工具成为可能.
- 旨在通过改进人工智能性能来增强宫发育不良的早期检测.
