使用HNSC分类器在数字化全片组织学中提高头癌检测准确度:一种深度学习方法
Haiyang Yu1,2, Wang Yu1,2, Yuan Enwu1,2,3
1Department of Laboratory Medicine, The Third Affiliated Hospital of Zhengzhou Univer-sity, Zhengzhou, Henan, China.
Frontiers in molecular biosciences
|August 18, 2025
概括
一个新的深度学习模型,HNSC-Classifier,准确地检测到头部和部状细胞癌 (HNSCC),并从组织病理学幻灯片预测其阶段,提高诊断效率.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 数字组织病理学 数字组织病理学
背景情况:
- 头部和部状细胞癌 (HNSCC) 是一种常见的癌症,需要手动组织病理学分析.
- 目前对HNSCC的诊断方法是耗时和劳动密集的.
- 从数字幻灯片自动化HNSCC诊断和分期是一个尚未满足的需求.
研究的目的:
- 开发和评估用于自动化HNSCC检测和TNM分期的深度学习模型.
- 评估模型在区分癌细胞和正常组织以及预测整体瘤阶段方面的表现.
- 提供一种计算工具,以帮助病理学家诊断HNSCC.
主要方法:
- 一个Inception-ResNet34卷积神经网络 (HNSC-分类器) 在来自500名HNSCC患者的791张整片图像 (WSI) 上受过训练.
- 数据集被分为患者级别,以确保培训和测试集之间的独立性.
- 使用ROC分析,精度,回忆,F1得分和混矩阵来评估性能.
主要成果:
- 在HNSC分类器实现了0.998的癌症/正常分类和TNM阶段预测在层的AUC.
- 患者级分类显示,瘤/正常区分的AUC为0.998,阶段预测为0.992.
- 在所有分类任务中观察到高精度,回忆和F1分数 (>0.99).
结论:
- 深度学习提供了一种强大的方法,用于自动检测HNSCC,并从组织病理学幻灯片进行分期.
- 该HNSC-分类器显著优于现有方法,提高了诊断效率和准确性.
- 这种自动化决策支持系统有可能改善临床工作流程和患者的结果.
