打破甲状腺细胞病理学的障碍:利用深度学习进行准确的诊断
Seo Young Oh1, Yong Moon Lee2, Dong Joo Kang1
1Terenz Co., Ltd., Busan 48060, Republic of Korea.
Bioengineering (Basel, Switzerland)
|March 28, 2025
概括
人工智能 (AI) 增强了甲状腺癌的诊断. 深度学习模型从细针吸收细胞学 (FNAC) 图像中准确地分类乳头甲状腺癌 (PTC),提高诊断效率.
科学领域:
- 医学成像分析分析 医学成像分析
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
背景情况:
- 甲状腺细胞病理学对于诊断甲状腺癌至关重要.
- 乳头甲状腺癌 (PTC) 是最常见的甲状腺癌类型.
- 人工智能 (AI) 提供了提高诊断准确性的潜力.
研究的目的:
- 开发和评估AI驱动的甲状腺细胞病理学的深度学习框架.
- 使用细胞学图像准确诊断乳头甲状腺癌 (PTC).
- 评估AI在甲状腺癌诊断中的可行性和可解释性.
主要方法:
- 开发了一个补丁级卷积神经网络 (CNN) 分类器 (TCS-CNN).
- 实施了基于注意力的深度多重实例学习 (AD-MIL) 模型,用于区域级预测.
- 使用精细针吸收细胞学 (FNAC) 图像进行模型培训和验证.
主要成果:
- 在小补丁分类方面,TCS-CNN实现了97%的准确性和96%的回忆率.
- 该AD-MIL模型显示了可比性能 (大约. 96%的准确性和回忆).
- 这两种框架都成功地分析了细胞学图像用于PTC诊断.
结论:
- 基于人工智能的深度学习框架对于甲状腺细胞病理学分类是可行的.
- 该研究强调了改善患者治疗结果和降低医疗保健成本的潜力.
- 研究了甲状腺癌中人工智能诊断的视觉解释性.
