探索性多队列,多读者研究深度学习模型的临床实用性,用于在乳腺损伤诊断中将冷解切成固定,嵌入 (FFPE) 图像的转化

科学领域:

• 数字病理学数字病理学
• 医学中的人工智能.
• 医学成像分析分析 医学成像分析

背景情况:

• 低温切割的组织呈现出影响在手术内评估期间诊断准确性的工件.
• 冷截面 (FS) 生产的变化会在病理评估中引入不一致性.
• 需要先进的诊断工具来提高冷截面分析的可靠性.

研究的目的:

• 开发和验证一种深度学习模型,用于将冷解剖 (FS) 图像转化为甲固化嵌入式 (FFPE) 类图像.
• 通过使用人工智能生成的FFPE图像来提高乳腺病变评估的诊断性能和准确性.
• 评估人工智能驱动的图像转换对病理学家诊断信心和决策的影响.

主要方法:

• 一个未配对的图像对图像翻译模型 (AI-FFPE) 使用修改的生成对抗网络 (GAN) 开发,具有注意力机制和自我调节.
• 该模型在TCGA-BRCA数据集上受过训练,将FS图像转换为类似FFPE的图像,纠正文物,同时保留关键功能.
• 验证涉及132个FS整片图像 (WSIs) 来自三个队列,转换为AI-FFPE-WSIs,并由六名病理学家独立审查质量,一致性和诊断分数.

主要成果:

• 与标准FS图像相比,AI-FFPE模型显著提高了感知图像质量 (p < 0.001).
• 病变特性和最终诊断的诊断一致性在FS和AI-FFPE组之间仍然可比 (分别为79.9%和82.7%对比于79.9%和82.6%).
• 病理学家对AI-FFPE图像的诊断信心显著提高,导致诊断得分更高 (总体DS:13.9 ± 6.6对12.0 ± 6.6,p < 0.001).

结论:

• AI-FFPE模型提高了图像质量,并提高了病理学家对评估乳腺病变的信心.
• 虽然诊断一致性相似,但AI-FFPE图像的改进可解释性有助于更有保障的术内决策.
• 用人工智能驱动的冷图像的转换显示了提高手术内病理评估可靠性的前景.