通过对宫区域的时间行为进行分类来自动检测酸白色病变
Christopher Clark1, André Aquilina2, Rebecca B Perkins3
1School of Medicine, University of Colorado, Aurora, CO.
Journal of lower genital tract disease
|November 12, 2025
概括
一个新的机器学习模型自动化了在宫图像中的白病变检测. 这种人工智能工具模仿专家临床医生,改善癌前病变的识别和支持活检决策.
科学领域:
- 妇科瘤学 妇科瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 宫酸美白对于识别癌前病变至关重要.
- 临床医生的主观性解释白会导致不一致的病变检测.
- 需要客观的评估方法来提高镜检查的准确性.
研究的目的:
- 开发一个客观的机器学习 (ML) 模型,用于在宫时间序列图像中自动检测白病变.
- 通过提供一致和可靠的病变识别来增强镜检查.
- 支持临床决策,检测宫癌前病变.
主要方法:
- 利用了来自238次镜检查的时间序列图像的数据集,并附有专家注释.
- 预处理的图像,提取的子宫,细分的时间序列数据和计算的局部统计特征.
- 训练了一个ML模型,使用专家协议级别来分类时间序列数据并生成合成损伤注释.
主要成果:
- 模型生成的合成病变地图显示与专家注释有很强的对齐.
- 模型预测显示,在有穿孔活检数据的病例中,与组织病理学结果有很好的相关性.
- 开发的模型有效地模仿了专家镜师的病变识别能力.
结论:
- 该ML模型准确地从时间序列图像中识别宫病变,与专家评估和组织学相关性良好.
- 这种人工智能工具的临床应用可以简化病变检测并帮助做出活检决策.
- 这项技术有可能提高癌前宫病变检测的准确性.
