人工智能和透镜:一项多中心研究,对形病变的自动分类进行了多中心研究

科学领域:

• 妇科成像检查 妇科成像检查
• 医学中的人工智能
• 医疗图像分析 医学图像分析

背景情况:

• 医疗成像中的AI集成正在推进,但妇科应用是有限的.
• 子宫内膜多是常见的妇科发现,需要准确的诊断.
• 当前的诊断方法可能是主观的,容易引起观察者之间的变化.

研究的目的:

• 开发和验证一个卷积神经网络 (CNN) 用于自动检测和分类子宫内膜聚体.
• 用现实世界透镜数据评估人工智能模型的性能.
• 探索AI在减少妇科手术诊断主观性的潜力.

主要方法:

• 采用了65个乳腺镜 (33,239) 的多中心数据集.
• 一个基于YOLOv1的物体检测模型被训练并验证.
• 绩效使用诸如回忆,精度和平均平均精度 (mAP50) 等指标进行评估.

主要成果:

• 人工智能模型在聚检测方面取得了高性能 (回忆率为0.96,精度为0.95,mAP50为0.98).
• 框架级分类显示出强的结果 (平均回忆率为0.75,精度为0.98,F1得分为0.82).
• 可解释的AI功能被纳入,以加强临床整合.

结论:

• 开发的CNN有效地检测和分类子宫内膜的息肉,具有高准确性和定位.
• 人工智能证明了在降低诊断主观性和观察者间变异性方面具有可行性.
• 未来的研究将将AI能力扩展到其他子宫内膜病理和实时临床验证.