基于深度学习的肺癌细胞图像的自动识别和细分
Qingyang Wang1,2, Yazhi Luo3, Ying Zhao4,5
1Department of Pathology, Chengdu Second People's Hospital, Sichuan, China.
PloS one
|January 31, 2025
概括
使用YOLOv8算法的一种新的深度学习模型可以在显微镜图像中准确地对肺癌细胞进行细分. 这种人工智能工具通过提供快速,可靠的手术内诊断来帮助病理学家,提高细胞学评估的一致性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 细胞学是用于肺癌诊断的组织学的一种不那么侵入性的替代方案.
- 传统的细胞学分析是耗时的,容易引起观察者之间的变化.
- 像YOLO这样的深度学习模型为自动图像分析提供了潜力.
研究的目的:
- 开发和评估基于YOLOv8的深度学习模型,用于肺病变的手术内细分.
- 评估模型在像素级细分和肺癌细胞图像级分类中的准确性.
- 确定模型适用于各种细胞学样本类型的适用性及其与专家诊断的相关性.
主要方法:
- 使用YOLOv8算法开发一个细分模型,用于对肺病变进行像素级标记.
- 在测试集上对模型的评估,使用指标,如平均像素精度和平均交叉点与联合.
- 在图像层面验证模型的性能,包括准确性和接收器操作特征曲线 (AUC) 下的面积,以区分恶性和良性病变.
主要成果:
- YOLOv8模型实现了0.80的平均像素精度和0.70.70的平均交叉与联合.
- 图像级分类显示了91.0%的准确性和0.90的AUC,用于区分恶性病变和良性病变.
- 该模型显示适合膜液和支气管膜洗液细胞学图像,与病理学家诊断有很强的相关性.
结论:
- 开发的基于YOLOv8的模型能够在显微镜图像中快速准确地定位和细分肺癌细胞.
- 人工智能工具展示了临床层面的决策能力,支持手术内诊断和提高一致性.
- 这种自动化方法为提高肺癌检测中细胞学评估的效率和可靠性提供了有价值的工具.
