人工智能和大镜检测:检测和分类的体HPV相关的低级和高级状皮内皮损伤

科学领域:

• 妇科瘤学 妇科瘤学
• 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:

• 精确识别阴道高度状内皮病变 (HSIL) 对于预防侵袭性状细胞癌至关重要.
• 在人工智能应用中存在一个缺口,用于诊断部病变.
• 人类乳头瘤病毒 (HPV) 相关的病变需要精确检测.

研究的目的:

• 开发和验证第一个卷积神经网络 (CNN) 模型,用于自动检测和分类与HPV相关的部病变.
• 使用vulvoscopy图像来区分HSIL和低度状内皮病变 (LSIL).
• 为了解决改善病理学的诊断工具的需求.

主要方法:

• 一个双中心研究使用了28个vulvoscopies与9857注释的框架.
• 数据根据组织病理学报告被分类为HSIL和LSIL.
• 一个基于YOLOv11的对象检测模型被开发和验证在训练,验证和测试集.

主要成果:

• CNN模型在病变检测和分类方面实现了99.7%的回忆 (灵敏度).
• 该模型显示精度 (正预测值) 为99.1%.
• 在识别和分类状皮内皮病变时观察到高精度.

结论:

• 这标志着首个专门设计用于检测和分类与HPV相关的部病变的AI模型.
• 将这种人工智能模型集成到常规的膜镜中可以提高诊断准确度.
• 人工智能工具有可能减少侵入性手术的必要性,改善妇女的健康结果.