将基于人工智能的转移学习模型应用于贝塞斯达系统的甲状腺细胞病理学应用
Pranab Dey1, Rajiv Savala2, Uma Nahar Saikia3
1Department of Cytology, Post Graduate Institute of Medical Education and Research, Chandigarh, India.
概括
这项研究表明,整体转移学习使用贝塞斯达甲状腺细胞病理报告系统 (TBSRTC) 准确地对甲状腺细针吸收细胞学 (FNAC) 进行了分类. 该模型在良性和恶性甲状腺病例中表现出强大的预测准确性.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 贝塞斯达甲状腺细胞病理报告系统 (TBSRTC) 标准化了甲状腺细针吸入细胞学 (FNAC) 的解释.
- 深度学习,特别是转移学习,对细胞学具有前景,但对于TBSRTC分类未得到充分利用.
研究的目的:
- 评估一组软投票转移学习模型对TBSRTC类别甲状腺细胞学涂抹的有效性.
- 评估模型在区分不同细胞病理类别方面的表现.
主要方法:
- 94例甲状腺FNAC病例的回顾性分析与949张图像.
- 组合软投票,将六种转移学习模型 (Xception,ResNet50V2,DenseNet121,MobileNetV2,InceptionV3,EfficientNetB3) 与加权平均计算相结合.
- 性能指标包括灵敏度,特异性,精度,NPV,F1得分和AUCROC.
主要成果:
- 在单个模型中,DenseNet121表现出最高的灵敏度 (0.91) 和特异性 (0.98).
- 权重组合模型实现了高F1得分 (0.867),高精度 (0.882) 和NPV (0.968).
- 接收器运行特征曲线 (AUCROC) 下的面积为DenseNet121的0.99和整体模型的0.98.
结论:
- 这项研究开创了集体转移学习用于TBSRTC分类的应用.
- 开发的方法显示了显著的预测准确性,特别是在良性和恶性甲状腺病变.
- 建议使用更大的数据集和全幻灯片成像进行进一步验证.


