在全国数据集上使用弱监督模型检测卵巢癌在瘤细胞学中的检测
Jiwon Lee1, Seonggyeong Choi1, Seoyeon Shin1
1College of Medicine, The Catholic University of Korea, Seoul, Republic of Korea.
The American journal of pathology
|May 1, 2025
概括
这项研究引入了先进的AI模型,包括卷积神经网络 (CNN) 和集群受约束的注意力多个实例学习 (CLAM),以改善在性流体细胞学中的卵巢癌检测,显示了计算机辅助诊断的有希望的结果.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 传统的性流体细胞学对卵巢癌检测的敏感性较低.
- 需要更准确和更敏感的诊断方法.
研究的目的:
- 开发和评估人工智能 (AI) 模型,用于检测卵巢癌在性流体细胞学.
- 为了比较卷积神经网络 (CNN) 和集群受约束注意力多实例学习 (CLAM) 算法的性能.
主要方法:
- 开发了基于补丁图像 (PI) 的CNN模型和CLAM算法,使用全幻灯片图像 (WSI) 处理液.
- 训练并验证了六个CNN算法和两个CLAM算法 (CLAM-SB,CLAM-MB).
- 在内部和外部数据集上使用准确度和曲线下的面积 (AUC) 评估模型性能.
主要成果:
- 在基于PI的检测中,ResNet50 (CNN模型) 实现了0.973的精度.
- 在外部验证数据上,CLAM-SB表现优越,AUC为0.866,超过了ResNet50 (AUC为0.804).
- 人工智能和人类解释显示了互补的优势,这表明计算机辅助诊断的诊断准确性得到了提高.
结论:
- 人工智能模型,特别是CLAM,显示出显著的潜力,可以提高卵巢癌检测灵敏度和准确性在性流体细胞学.
- 在CLAM中基于WSI的学习消除了对补丁逐补丁注释的需求,在传统的CNN模型上提供了优势.
- 预计计算机辅助诊断将提高卵巢癌检测的诊断准确性和可重现性.
