通过评估"机器学习作为服务"的AI模型,在数字病理学中自动化结肠多组分类:算法开发和验证研究研究
David Beyer1, Evan Delancey2, Logan McLeod3
1Department of Lab Medicine and Pathology, University of Alberta, Edmonton, AB, Canada.
JMIR formative research
|July 31, 2025
概括
这项研究表明,可访问的AutoML算法可以创建精确的人工智能 (AI) 模型,从整个幻灯片图像中分类结肠多,帮助病理学家进行诊断.
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:
- 人工智能 (AI) 模型对于增强病理诊断的必要性越来越大.
- 基于云的机器学习平台为病理学家等领域专家提供易于使用的AI工具.
- 本研究探讨了AutoML在数字病理学中开发AI的使用.
研究的目的:
- 评估AutoML算法,以创建强大的结肠多类别模型.
- 评估这些AI模型在数字病理学工作流程中的适用性.
主要方法:
- 利用来自公共和机构数据库的全幻灯片图像进行培训.
- 使用谷歌的VertexAI AutoML平台开发了一个AI模型.
- 将结肠多片分为超塑性多片,管状腺瘤和正常结肠.
主要成果:
- 人工智能模型在管状腺瘤和超塑性息肉的分类方面实现了100%的准确性.
- 正常的结肠组织以97%的准确度被分类.
- 显示了非常低的灵敏度和特异性错误率.
结论:
- 可访问的AutoML算法可以有效地开发用于数字病理学的诊断AI模型.
- 在全幻灯片图像上训练的AI模型可以提高病理学家的诊断效率.
- 这种方法有助于将AI整合到常规病理学实践中.
