利用可解释的人工智能和大规模数据集,全面分类脏组织学类型
Seung Wan Moon1, Jisup Kim2, Young Jae Kim1,3
1Department of Biomedical Engineering, Pre-medical Course, College of Medicine, Gil Medical Center, Gachon University, 38-13 3beon-gil, Namdong-gu, Incheon, 21565, Korea.
Scientific reports
|January 11, 2025
概括
这项研究开发了一个人工智能模型,使用数字病理幻灯片将组织分为正常,良性和恶性类别. 该模型实现了高精度,有助于更快,更精确的癌症诊断.
科学领域:
- 数字病理学数字病理学
- 在瘤学中使用人工智能
- 生殖尿路病理学
背景情况:
- 癌症发病率的增加需要先进的诊断工具.
- 目前在病理学的AI研究主要集中在癌症亚型分类上.
- 由于有限的数据集,在分类更广泛的组织类别方面存在差距:正常,良性和恶性.
研究的目的:
- 引入一种人工智能模型,将脏组织分为三个类别:正常 (非瘤),良性瘤和恶性瘤.
- 为了解决脏组织广泛分类的研究不足的领域.
- 利用数字病理学和机器学习来提高诊断能力.
主要方法:
- 利用了来自多个机构的2,535名患者的12,223张整片图像 (WSI) 的数据集.
- 采用了ResNet-18架构,采用多实例学习方法.
- 在正常,良性和恶性脏组织的WSIs上训练并验证了该模型.
主要成果:
- 该模型获得了高F1分数:正常组织0.934,良性瘤0.684,恶性瘤0.878.
- 显示了0.879的加权平均F1得分和0.969.96的收发器操作特征曲线下的加权平均面积.
- 该模型为区分关键脏组织类型提供了基本方法.
结论:
- 开发的AI模型显著有助于对组织进行快速和准确的诊断.
- 这种方法提高了区分非新生病,良性和恶性疾病的能力.
- 这项研究为泌尿生殖系统病理学提供了强大的工具,解决了癌症诊断的关键需求.
