深度学习模型用于失塑巴雷特食道的组织学诊断:多站点队列外部验证

科学领域:

• 数字病理学数字病理学
• 医学中的人工智能
• 胃肠道病理 胃肠道病理

背景情况:

• 巴雷特食道 (BE) 携带进展到食道腺癌 (EAC) 的风险.
• 精确分类BE发育不良是至关重要的,但受到手册病理学读物中观察者间变异性的挑战.
• 需要对深度学习模型进行外部验证,以诊断BE发育不良.

研究的目的:

• 为了外部验证一个深度学习模型 (BEDDLM) 用于诊断巴雷特食道的失生症等级使用整个幻灯片图像 (WSIs).
• 评估模型在不同类型的发育不良的表现:非发育不良的BE (NDBE),低度发育不良 (LGD) 和高度发育不良 (HGD).

主要方法:

• 来自三个外部学术中心的NDBE,LGD和HGD病例的组织学幻灯片的数字化.
• 使用循环生成对抗网络 (cGANs) 实现滑动染色特征的规范化.
• 通过BEDDLM整体模型对世界互联网的评估,包括YOLO和ResNet101组件.

主要成果:

• 这项研究分析了489个世界卫生组织,共识基因病理学作为标准标准.
• 在BEDDLM组合模型中,在各种发育不良等级中实现了高灵敏度和特异性:NDBE (73.3%,93.4%),LGD (84.6%,80.6%) 和HGD (80.7%,94.8%).
• F1评分显示出强的表现:NDBE为0.81,LGD为0.69,HGD为0.83.

结论:

• 外部验证的深度学习模型在整个幻灯片图像上诊断BE发育不良等级时表现出相当大的准确性.
• 这种以人工智能为驱动的方法在提高BE发育不良症诊断的一致性和准确性方面表现有希望.
• 这些发现支持数字病理学深度学习在关键胃肠道诊断中的潜力.