深度学习启用了基于液体的细胞学模型,用于宫癌前期和癌症检测
Peng Xue1,2, Le Dang3, Ling-Hua Kong3
1School of Population Medicine and Public Health, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
Nature communications
|April 13, 2025
概括
深度学习 (DL) 模型增强了宫癌查. 这种人工智能工具提高了细胞病理学家的灵敏度,并大大减少了阅读时间,支持其在查和分类中的使用.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 宫癌查依赖于细胞学,这可能耗时且容易出现人为错误.
- 基于液体的细胞学 (LBC) 是一种常见的样本准备方法.
- 深度学习 (DL) 提供了自动化或协助分析细胞学幻灯片的潜力.
研究的目的:
- 开发和验证DL模型,用于分析整个细胞学幻灯片,用于宫癌查和分类.
- 在各种查环境中,与人类细胞病理学家相比,评估DL模型的性能.
- 评估DL辅助对细胞病理学家效率和诊断准确性的影响.
主要方法:
- 在17397名女性的整体细胞学幻灯片上训练的DL模型的开发.
- 在9个医院验证了DL模型,在三个阶段的过程中使用了额外的10,826例病例.
- 涉及多读者,多个案例研究和评估在社区和医院查场景中的比较分析.
主要成果:
- DL模型在多个机构中表现出强的表现.
- 通过DL辅助,细胞病理学家的敏感度提高了9%,阅读时间显著减少 (218s vs 30s).
- 在有组织的查中,DL与高级细胞病理学家的敏感性相匹配,但具有较低的特异性. 具有DL的初级细胞病理学家在机会性查中表现出更好的灵敏度和特异性.
结论:
- 开发的DL模型显示出作为宫癌查中的辅助工具的巨大潜力.
- DL的协助可以提高细胞病理学家的准确性和效率,特别是对于初级工作人员.
- 这些发现支持将DL整合到宫查工作流程中,以改善病例分类和诊断.
