自动检测和分类的宫和部状癌前体,使用深度学习和多设备镜

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 人类乳头瘤病毒 (HPV) 感染在宫和部区域都存在重大瘤风险.
• 目前的诊断方法,如高分辨率的眼镜/鼻镜,在识别癌前病变时的准确性低于最佳.
• 精确区分低度 (LSIL) 和高度 (HSIL) 状内皮病变对于有效的患者管理至关重要.

研究的目的:

• 开发和验证一个卷积神经网络 (CNN) 模型,用于在宫和部检查中识别和区分LSIL和HSIL.
• 评估CNN模型的诊断性能,使用关键指标,如灵敏度,特异性和准确性.
• 探索人工智能驱动工具的潜力,以提高HPV相关病变检测的准确性和成本效益.

主要方法:

• 这是一项回顾性多中心研究,利用320次对3种设备类型的镜和镜检查.
• 一个数据集的88,073被策划和归类为LSIL或HSIL基于病理分析.
• 数据集分为培训/验证 (90%) 和测试 (10%) 集,在培训期间采用三重交叉验证.

主要成果:

• 在培训/验证阶段,CNN模型表现出高性能,HSIL检测的平均灵敏度为98.1%,特异性为97.4%.
• 该模型实现了平均AUC-ROC和AUC-PR的0.98±0.01.
• 在测试阶段,CNN模型在HSIL检测方面取得了很好的结果,灵敏度为99.0%,特异性为97.8%,准确度为98.3%.

结论:

• 一个开创性的CNN模型成功地开发出来,以区分HSIL和LSIL在与HPV相关的宫和门的宫变形病变中.
• 该模型表现出有前途的诊断性能,表明其有可能显著提高临床环境中的检测准确性.
• 开发的CNN有可能提高与HPV相关的宫和门异常的管理成本效益和临床决策.