在数字病理学中对人工智能模型进行多机构验证,以对尿路瘤进行分类

科学领域:

• 泌尿器新生体分类的分类
• 数字病理学数字病理学
• 在瘤学中使用人工智能

背景情况:

• 精确地分类尿瘤对于有效的膀癌治疗至关重要.
• 现有的人工智能 (AI) 模型往往缺乏针对膀病变的特异性,或在非侵入性和侵入性类型之间进行区分.

研究的目的:

• 开发和评估深度学习模型,以使用数字化基因病理图像对正常,非侵入性和侵入性尿路瘤进行分类.
• 为了比较卷积神经网络 (CNN) 和基于变压器的模型的性能,用于此分类任务.

主要方法:

• 利用了来自五个机构的12,500个全幻灯片图像 (WSI) 的数据集.
• 应用预处理技术,包括染色正常化和补丁提取.
• 通过对专家注释进行五倍交叉验证,训练和评估卷积神经网络 (CNN) 和基于变压器的模型.

主要成果:

• EfficientNet-B6模型表现出卓越的性能,达到0.913的精度,接收器操作特征曲线 (AUC) 下的面积为0.983.
• 关键性能指标包括灵敏度为0.909,特异性为0.956,F1得分为0.906.
• 该模型在不同机构的表现强,表明可通用性.

结论:

• 深度学习模型,特别是EfficientNet-B6,是有效的从他的病理图像分类尿瘤.
• 拟议的AI方法显示了提高膀癌诊断的准确性和效率的巨大潜力.
• 这些发现凸显了AI在膀癌症分类中的通用性和有效性.