通过多维特征重建使用多任务深度学习网络对低分辨率全幻灯片缩略图像的风险分类有助于优先考虑病理病例登记
Cher-Wei Liang1,2, Yu-Chen Lee3, Yu-Yin Hsu1
1School of Medicine, College of Medicine, Fu Jen Catholic University, New Taipei City, 24205, Taiwan.
Journal of imaging informatics in medicine
|June 25, 2025
概括
这项研究引入了一个AI框架,用于从缩略图全幻灯片图像 (TWSIs) 选恶性病理幻灯片. 人工智能系统快速优先考虑高风险病例,提高外科病理学流程效率.
科学领域:
- 数字病理学数字病理学
- 人工智能在医学中的应用
- 计算病理学计算病理学
背景情况:
- 目前的外科病理学工作流程可能会延迟高风险病例,因为注册表顺序优先级.
- 恶性病变的延迟诊断可能会对患者的结果产生负面影响.
研究的目的:
- 开发和评估基于人工智能的框架,以有效查和优先考虑恶性病例,使用缩略图全幻灯片图像 (TWSIs).
- 改进手术病理样本的分类,并加强临床决策.
主要方法:
- 开发了一个人工智能框架,分析用血素和素 (H&E) 染色的TWSIs.
- 实现了图像预处理,用于细分和分类的多任务深度学习网络,以及多维特征重建.
- 在334个TWSI (100种良性,234种恶性) 上评估了该系统.
主要成果:
- 每张图像的平均推断时间为2.33±0.31秒.
- 具有91.91%的准确性,93.59%的灵敏性和88.00%的特异性.
- 报告了6.41%的虚假负率.
结论:
- 用人工智能驱动的TWSI分析可以有效地加快手术病理学中的病例分拣.
- 拟议的框架增强了样本的分类和优先级,可能改善患者的护理.
- 这项技术为优化病理学工作流程和临床决策支持提供了一个有前途的方法.
