通过对比的自我监督学习,对癌前宫细胞进行自动查
Jaewoo Chun1, Ando Yu1, Seokhwan Ko2
1Department of Biomedical Science, Graduate School, Kyungpook National University, Daegu 41944, Republic of Korea.
Life (Basel, Switzerland)
|January 8, 2025
概括
早期发现宫癌至关重要. 一种新的AI方法使用自主监督学习来准确地识别图像中的癌前细胞,提高查效率并减少病理学家的工作量.
科学领域:
- 计算病理学计算病理学
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 宫癌查依赖于劳动密集型细胞学,需要对众多细胞进行专家分析.
- 目前的方法在检测癌前病变方面面临效率和专家依赖方面的挑战.
研究的目的:
- 开发一种新的分布增强,对比的自我监督学习方法,用于检测异常的状宫细胞.
- 使用细胞学图像增强正常和高等级癌前宫细胞 (HSIL,ASC-H) 之间的差异化.
主要方法:
- 利用对比的自我监督学习,在细胞学图像上增加颜色.
- 仅在正常的宫细胞图像上训练模型.
- 使用核密度估计 (KDE) 来分析细胞类型分布和识别异常.
主要成果:
- 在检测异常的宫细胞方面取得了高的诊断准确性.
- 在图像中的颜色分布变化方面表现出强度.
- 成功确定了高度状内皮病变 (HSIL) 和非典型的状细胞 - 不能排除HSIL (ASC-H).
结论:
- 拟议的AI方法显著提高了宫癌查准确度.
- 该方法减少了细胞病理学家的工作量,导致更有效的查程序.
- 这有助于推进子宫癌早期检测策略.
