基于病理学的机器学习模型,用于优化LungPro导航支气管镜在外周肺病变诊断:一项回顾性研究
Feng Ying1,2, Ya Bao1, Xiaoyu Ma1
1Department of Pulmonary and Critical Care Medicine, The Second Affiliated Hospital of Chongqing Medical University, Chongqing, China.
Biomedical engineering online
|September 27, 2025
概括
一个新的基于病理学的机器学习模型显著提高了LungPro导航支气管镜对周围肺病变的诊断准确度. 这种人工智能工具增强了对负面LungPro诊断的管理策略,有助于检测微妙的恶性特征.
科学领域:
- 肺部医学 肺部医学
- 人工智能在医学中的应用
- 数字病理学数字病理学
背景情况:
- LungPro导航支气管镜用于诊断周围肺病变.
- 准确的诊断对于有效的管理至关重要,特别是对于最初看起来消极的病变.
- 病理学,从组织病理学分析图像特征,为改善诊断准确性提供了潜力.
研究的目的:
- 开发一种基于病理学的机器学习模型,以提高LungPro的诊断效率.
- 优化对带有负LungPro结果的外围肺病变的管理策略.
- 整合临床,成像和病理学数据,用于多式联络诊断框架.
主要方法:
- 从144名接受LungPro支气管镜检查的患者中收集了临床数据和H&E染色的WSIs.
- 开发并验证了一个使用CNN和MIL进行特征提取和聚合的AI模型.
- 将临床,成像和病理数据集成到一个多式模式框架中,对50名LungPro阴性患者进行评估.
主要成果:
- 年龄,病变边界和CT衰减是恶性病变的独立风险因素.
- 在MIL融合模型中,肺癌诊断的AUC为0.792 (训练) 和0.777 (测试).
- 多模式框架改善了诊断产量至0.848,并正确识别了LungPro.43最初负的71.43%恶性病变.
结论:
- 结合临床和病理特征的融合诊断模型显著提高了LungPro的诊断准确性.
- 该模型有助于检测周围肺病变中的微妙恶性特征.
- 这种方法支持针对LungPro.最初被归类为负的病变进行精确的治疗干预.
