使用谷歌可教机器对乳腺癌组织病理图像分类的试点研究:一种无代码的人工智能方法
Namit Singla1, Abhra Ghosh2, Manthan Dhingra3
1Medicine, Dayanand Medical College and Hospital, Ludhiana, IND.
Cureus
|August 5, 2025
概括
这项试点研究表明,谷歌可教机器 (GTM) 可以通过初步可行性对乳腺组织病理图像进行分类. 虽然准确的正常和现场类别,需要进一步开发的入侵性癌检测.
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:
- 乳腺癌组织病理学对于诊断至关重要,但面临着观察者之间的变化和工作负载挑战.
- 需要创新的解决方案来提高乳腺癌病理学的诊断准确性和效率.
- 人工智能 (AI) 提供了自动化图像分析和帮助病理学家的潜力.
研究的目的:
- 评估无代码AI平台谷歌可教机器 (GTM) 的可行性和诊断性能,用于对乳腺组织病理图像进行分类.
- 评估GTM将图像分类为正常,良性,本位癌和侵入性癌的能力.
- 在内部和外部验证数据集上确定GTM模型的准确性,精度,回忆和F1分数.
主要方法:
- 从一个开放访问存储库中利用了380张血素和欧染色乳腺组织病理学图像.
- 训练了一个谷歌可教的机器 (GTM) 模型,使用85%的数据 (50个时代,批量大小16,学习率0.0001).
- 在39个独立图像上对受过训练的GTM模型进行外部验证,计算标准性能指标.
主要成果:
- 该GTM模型实现了88.3%的内部验证精度,每类精度高 (87-93%).
- 在39张图像的外部验证中,整体准确率为76.9%,宏观平均F1得分为0.77.
- 该模型显示高精度,但侵袭性癌症的回忆能力较低,这表明在有限数据的情况下,在区分侵袭性和非侵袭性病变方面存在挑战.
结论:
- 谷歌可教的机器 (GTM) 证明了无需编码专业知识的多类乳腺组织病理学分类的初步可行性.
- 人工智能平台看起来很有前途,特别是在正常癌症和现场癌症类别中,但需要进一步改进.
- 提高临床适用性需要更大的数据集,先进的AI架构和可解释的AI方法来提高对侵入性癌症的敏感性.
