深度学习模型在胃癌病理图像分析中的应用:一个系统的范围审查

科学领域:

• 数字病理学数字病理学
• 计算瘤学是一种计算瘤学.
• 医学中的人工智能.

背景情况:

• 传统的胃癌 (GC) 诊断依赖于主观病理学家的评估,导致潜在的错误和延迟.
• 深度学习 (DL) 为分析GC病理图像提供了自动化解决方案,提高了准确性和效率.
• 本系统性审查评估了DL在GC病理图像分析中的作用,确定了当前的应用,挑战和未来的前景.

研究的目的:

• 系统地审查和评估深度学习 (DL) 模型在胃癌 (GC) 病理图像分析中的应用.
• 确定DL在这个领域的现状,挑战和未来方向.

主要方法:

• 按照PRISMA-ScR指南进行系统审查.
• 在四个主要数据库中进行搜索:PubMed,Scopus,Web of Science和IEEE Xplore.
• 包括从520篇文章的初步搜索中得到的22项研究.

主要成果:

• 深度学习模型在GC检测 (准确度>95%),组织学分类和预后预测方面表现出色.
• 卷积神经网络 (CNN) 是主要使用的DL模型.
• 目前的局限性包括数据集规模小,缺乏外部验证,数据多样性不足,影响跨GC类型和阶段的适用性.

结论:

• 未来的研究需要更大,多样化和代表性的数据集,涵盖各种GC类型和阶段.
• 严格的临床验证至关重要,以充分利用DL在GC病理学的潜力.
• 对于GC病理学图像分析的DL的进步可以显著改善临床实践和患者的结果.