基于深度学习的诊断技术的开发和应用,用于胃内镜下粘膜切割标本的病理诊断
Soomin Ahn1, Yiyu Hong2, Sujin Park1
1Department of Pathology and Translational Genomics, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul, South Korea.
概括
一个新的深度学习模型准确地检测到瘤和膜下部解剖 (ESD) 标本中的瘤和膜下部侵袭. 这种人工智能工具显著减少了病理学家的诊断时间,改善了早期的胃癌管理.
科学领域:
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
- 胃癌的诊断 胃癌的诊断
背景情况:
- 对内镜下粘膜切割 (ESD) 标本的准确诊断对于早期胃癌管理至关重要.
- 在复杂的ESD标本中识别瘤区域对于病理学家来说是具有挑战性和耗时的.
- 这项研究解决了在ESD样本分析中需要有效和准确的诊断工具的需求.
研究的目的:
- 开发和评估用于诊断ESD标本的深度学习模型.
- 评估模型在组织细分和瘤/侵袭检测方面的性能.
- 确定人工智能模型对病理学家诊断效率的影响.
主要方法:
- 分析了366个腺癌ESD标本的全幻灯片图像.
- 一个深度学习模型被训练用于组织细分和瘤/粘膜下侵袭检测.
- 在一个专门的测试集上使用Dice系数,AUROC,灵敏度和特异性来评估模型性能.
主要成果:
- 该模型在细分瘤 (Dice 0.85) 和肌肉粘膜 (Dice 0.79) 中取得了高精度.
- 瘤检测AUROC为0.995 (灵敏度为0.947),而粘膜下侵袭AUROC为0.981 (灵敏度为0.907).
- 人工智能协助显著减少了诊断时间,从747飞机减少到478飞机 (P < 0.001).
结论:
- 深度学习模型在组织细分方面表现出色,在瘤和粘膜下侵袭检测方面具有很高的准确性.
- 人工智能工具可能成为ESD标本本病理学诊断的有效查工具.
- 这项技术提供了一种有前途的方法,可以提高早期胃癌管理中的诊断效率和准确性.
