在使用人工智能辅助系统的哨兵淋巴结冷部分检测转移性乳腺癌
Chia-Ping Chang1, Chih-Yi Hsu2, Hsiang Sheng Wang3
1Department of Pathology and Laboratory Medicine, Taipei Veteran General Hospital, Taipei, Taiwan, ROC.
Pathology, research and practice
|February 13, 2025
概括
一种新的卷积神经网络 (CNN) 方法自动检测在哨兵淋巴结冷部分的乳腺癌转移. 这种人工智能工具显示出高精度,特别是在微转移方面,改善了病理评估并减少了错误.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 人工智能的人工智能
背景情况:
- 在护卫淋巴结中精确检测乳腺癌转移对于治疗计划至关重要.
- 术内冷部位分析是时间敏感的,对于检测小转移性病变 (微转移) 可能具有挑战性.
研究的目的:
- 开发和验证一种使用卷积神经网络 (CNN) 来识别乳腺癌中转移性病变的自动化方法.
- 与传统的病理学评估相比,评估CNN算法的性能,特别是微转移.
主要方法:
- 基于CNN的自动检测方法是使用R和Python的自主开发平台 (EasyPath) 开发的.
- 该模型在72个注释的哨兵淋巴结冷部分上进行了训练,并在另外185个案例上进行了验证/测试.
- 基于准确度,灵敏度和推断时间来评估性能,并与病理学家的性能进行统计比较.
主要成果:
- 该算法在识别转移时达到98%的准确性,正确检测所有宏转移和90%的微转移.
- 与病理学家相比,CNN在检测微转移方面表现出显著更高的灵敏度 (p=0.014).
- 每个案例的平均推断时间为87.3秒.
结论:
- 开发的CNN算法提供了一个强大而准确的工具,用于检测乳腺癌转移在手术内冷部分.
- 该算法的对微转移的高灵敏度有可能将病理评估中的错误降到最低.
- 为支持病理学家,建议将这种AI工具集成到日常实践中的工作流程.
