在永久病理学上训练的深度学习模型的评估,用于在莫斯冷部分的状细胞癌的分类:学到的教训
Jorge A Rios-Duarte1, Anirudh Choudhary2, Shams Nassir3
1Department of Dermatology, Mayo Clinic, Rochester, Minnesota.
概括
在永久病理学上训练的人工智能模型在莫斯手术中应用于冷部分时显示较低的准确性. 深度学习模型需要微调,以解决冷组织分析的性能差距.
科学领域:
- 数字病理学数字病理学
- 医学中的人工智能
- 组织病理学 组织病理学
背景情况:
- 人工智能 (AI) 模型的可用性有限,这些模型在冷的病理学标本上接受训练.
- 在永久病理幻灯片上训练的人工智能模型的适应潜力,用于冷部分.
- 需要识别和解决模型的弱点,以提高临床效用.
研究的目的:
- 对深度学习模型的性能进行定性评估.
- 根据莫斯手术结部分对状细胞癌的分类.
- 识别模型缺陷,以指导再培训和微调.
主要方法:
- 在746个永久性皮肤活检幻灯片上训练人工智能模型,用于瘤分类.
- 在15莫斯手术冷部分上测试模型.
- 将模型性能指标和产生感兴趣的区域与H&E幻灯片进行比较.
主要成果:
- 获得的接收器运行特征曲线 (AUC-ROC) 下的面积为永久病理的0.985和冷部分的0.796.
- 不准确的感兴趣区域被确定在结的部分,瘤区域稀疏.
- 模型在假阴性结果中突出显示正常组织,在真阳性结果中突出显示非瘤结构 (炎症,肌肉,神经).
结论:
- 对于在永久幻灯片上训练的模型来说,莫斯冷病理中的深层解剖结构可能无法分布.
- 由于数据差异,可能导致模型输出不充分.
- 需要专门培训或微调人工智能模型以进行冷病理分析.
