一个可扩展细胞学图像合成的生成基础模型在AI驱动的诊断中

科学领域:

• 计算病理学计算病理学
• 医学成像医学成像
• 人工智能在诊断中的应用

背景情况:

• 细胞学对于病理诊断至关重要,但人工智能开发受到有限的数据和隐私法规的阻碍.
• 现有的AI诊断工具需要大量,多样化的数据集,由于隐私问题,很难获得这些数据集.

研究的目的:

• 开发COIN,一种可控制的细胞学图像生成基础模型.
• 合成高质量的细胞学图像,以提高AI诊断和支持临床应用.
• 解决人工智能驱动细胞学中的数据稀缺性和隐私挑战.

主要方法:

• 在112,226个细胞学图像报告对上训练了COIN,来自16个解剖部位.
• 使用诊断文本报告生成具有形态和语义连贯特征的高保真细胞学图像.
• 通过专家评估,数据增强,AI模型培训和基于内容的图像检索来评估模型实用性.

主要成果:

• 专家细胞学家证实了COIN产生的图像的解剖学和诊断真实性.
• 当用于数据增强时,COIN显著提高了AI模型性能.
• 在COIN图像上训练的模型有效地对现实世界的数据集进行了概括,即使是在数据稀缺的条件下.
• COIN在基于内容的图像检索中证明了其实用性,用于临床决策支持.

结论:

• COIN提供了一个强大的,保护隐私的框架,用于可扩展的细胞学数据生成.
• 该模型合成现实的图像的能力提高了AI在计算病理学的诊断.
• COIN 是加速基于人工智能的诊断解决方案开发和实施的宝贵工具.