使用图形神经网络和知识图形进行可解释的甲状腺 papillary 癌症细胞病理诊断
Li-Xue Wu1,2, Yong Jiang1, Tian-You Luo1
1Department of Pathology, West China Hospital, Sichuan University, Chengdu, 610041, Sichuan, China.
Scientific reports
|September 1, 2025
概括
这项研究引入了一种结合图形神经网络和知识图形的AI工具,用于状甲状腺癌 (PTC) 诊断. 这种可解释的系统实现了高准确性,提高了病理学中的AI透明度.
科学领域:
- 计算病理学
- 医学的人工智能
- 生物信息学
背景情况:
- 准确诊断乳头甲状腺癌 (PTC) 对患者的结果至关重要.
- 目前的人工智能诊断工具往往缺乏可解释性,阻碍了临床采用.
- 整合不同的数据来源可以提高诊断准确性和可解释性.
研究的目的:
- 开发可解释的人工智能辅助诊断方法,用于皮质甲状腺癌 (PTC) 细胞病理学.
- 将图形神经网络 (GNN) 与知识图形 (KG) 结合起来,以提高诊断性能.
- 创建一个可解释PTC诊断的临床决策支持系统 (CDSS).
主要方法:
- 分析了281例PTC病例的常规细胞检查涂抹.
- 布RCNN模型检测到病态细胞特征 (地面玻璃核,核沟,核内).
- 图形神经网络 (GNN) 和知识图形 (KG) 被集成,形成了GINet模型,并与CDSS相结合.
主要成果:
- 级RCNN模型实现了56.14%的平均交叉点和0.87的平均精度.
- 在GINet模型中,分类准确度提高到88.84%.
- CDSS通过查询KG提供了可解释的诊断输出.
结论:
- 开发的AI方法为PTC诊断提供了可解释和可靠的工具.
- 结合GNN和KG可以提高AI在细胞病理学中的透明度和性能.
- 这种方法代表了人工智能辅助的甲状腺癌病理系统的重大进步.
