基于使用深度全卷积网络的镜图像对子宫病变的分类和诊断:人机对比队列研究
Binhua Dong1,2, Huifeng Xue3, Ye Li1
1Laboratory of Gynecologic Oncology, Department of Gynecology, Fujian Maternity and Child Health Hospital, College of Clinical Medicine for Obstetrics & Gynecology and Pediatrics, Fujian Medical University, Fuzhou 350001, China.
Fundamental research
|April 1, 2025
概括
一个新的人工智能 (AI) 模型,Dense-U-Net,在诊断宫病变时表现出比人类专家更高的准确性和效率. 这种人工智能工具通过减少错误诊断和错误阳性结果,显著改善了宫癌查.
科学领域:
- 医学成像和人工智能的人工智能
- 瘤学和诊断技术的研究.
背景情况:
- 结肠镜对于宫癌的诊断至关重要,但由于缺乏熟练的结肠镜师,它面临着挑战.
- 计算机辅助诊断 (CAD) 系统可以提高镜检查的准确性和效率,特别是在中国等地区.
研究的目的:
- 开发和评估一种新型的人工智能 (AI) 模型,Dense-U-Net,用于使用结肠镜图像自动诊断宫病变.
- 将Dense-U-Net模型的诊断性能与不同经验水平的医生进行比较.
主要方法:
- 一项人机对比队列研究,涉及2,475名参与者和13,084张结肠镜图像.
- 使用深度网络结构,dropout和max聚合用于图像语义细分的Dense-U-Net模型的开发.
- 人工智能模型与人类大肠镜师之间的诊断准确度,错误诊断率和错误阳性率的比较.
主要成果:
- 密度-U-Net模型实现了较高的诊断准确度 (0.89) 宫内皮质瘤3或更严重的 (CIN3+) 与专家colposcopists (0.85) 相比.
- 人工智能模型显示,错误诊断率 (0.06比0.07) 和错误阳性率 (0.05比0.08) 比专家低.
- 丹斯-U-Net在诊断困难的III型宫变形区域方面表现出卓越的表现,并显著减少了检查时间 (1.76分钟与专家的700分钟以上相比).
结论:
- 密集-U-Net模型提供了可靠,快速和有效的AI辅助解决方案,用于结肠镜检查.
- 这种人工智能工具有潜力缓解眼镜师的短缺,并提高宫癌查的整体质量.
