一个全幻灯片病理学标本的人工智能模型,区分皮肤高度状增殖
Anne Petzold1, Anja Wessely1,2, Michael Erdmann1
1Department of Dermatology, Deutsches Zentrum Immuntherapie (DZI), CCC Erlangen-EMN, Bavarian Cancer Research Center (BZKF), Uniklinikum Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), 91054, Erlangen, Germany.
Virchows Archiv : an international journal of pathology
|September 25, 2025
概括
一个人工智能模型准确地区分皮肤状细胞癌 (cSCC) 和 (VV) 使用全幻灯片图像. 这种深度学习方法有助于诊断具有挑战性的皮肤病变,改善患者护理.
科学领域:
- 皮肤病理学 皮肤病理学
- 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:
- 皮肤状细胞癌 (cSCC) 和 (VV) 是不同的角质细胞增殖,需要不同的治疗.
- 在小或肤浅的皮肤样本中,组织学差异化可能具有挑战性.
- 准确的诊断对于适当的患者管理至关重要.
研究的目的:
- 开发和验证一个人工智能模型来区分cSCC和VV.
- 在具有挑战性的组织学病例中提高诊断准确性.
- 为人工智能支持的皮肤病理学利用深度学习.
主要方法:
- 开发了一个深度学习模型,采用集群受约束注意力的多实例学习 (CLAM).
- 该模型分类了血素和色染色全幻灯片图像 (WSIs).
- 使用了289个WSI (148 cSCC, 141 VV) 的数据集,并通过专家病理学家的审查进行了质量控制.
主要成果:
- 该模型在培训和评估集上实现了高性能.
- 训练套件:AUROC 0.99,准确率为94.9% (cSCC) 和91.2% (VV). 在训练套件中,AUROC的准确率为0.99,准确率为94.9% (cSCC) 和91.2% (VV).
- 评估组:AUROC 0.96,准确率为82.4% (cSCC) 和97.4% (VV),与专家病理学家相比.
结论:
- 一个可解释的,监督较弱的深度学习模型有效地区分了cSCC与WSIs上的VV.
- 人工智能模型展示了提高皮肤病理学诊断准确性的潜力.
- 这项技术可以帮助临床医生诊断具有挑战性的皮肤疾病.
更多相关视频
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
4.5K
08:05Detection and Isolation of Cancer in Prostate Biopsies Using Stimulated Raman Histology and Artificial Intelligence
Published on: June 10, 2025
1.1K