用人工智能进行宫活检的数字病理学:在CIN2+值时的诊断准确性
Anja Kristin Andreassen1, Elin Mortensen2,3, Roy Stenbro4
1Department of Clinical Medicine, Faculty of Health Sciences, UiT The Arctic University of Norway, 9019 Tromsø, Norway.
Cancers
|December 11, 2025
概括
一个深度学习系统 (EagleEye) 在检测2级或更高 (CIN2+) 的宫内皮质瘤方面表现出高灵敏度. 一个人工智能辅助的工作流改善了诊断准确度,帮助病理学家识别治疗相关的病变.
科学领域:
- 数字病理学数字病理学
- 人工智能在诊断中的应用
- 宫癌查 宫癌查
背景情况:
- 宫活检的组织病理学分级具有观察者间的变异性,特别是在CIN2+值.
- 深度学习系统有潜力提高组织病理学诊断的准确性.
- 标准化宫癌查需要可靠的诊断工具.
研究的目的:
- 评估一个深度学习系统 (EagleEye) 在H&E全幻灯片图像上检测CIN2+.
- 将EagleEye的性能与独立病理学家和人工智能辅助的工作流进行比较.
- 预先评估AI热图和p16染色之间的空间对应性.
主要方法:
- 在一个光谱平衡的设计中,数字化了99个档案的宫活检 (正常,CIN1,CIN2,CIN3,ACIS).
- 从最初的签约 (P1),第二位病理学家 (P2),单独的EagleEye (EE) 和人工智能辅助阅读 (EE + P2) 的诊断结果进行了比较.
- 使用科恩的 κ 和灵敏度/特异性评估一致性;在30个案例中评估了p16-to-AI的空间对应性.
主要成果:
- 对于CIN2+检测,EagleEye获得了93.3%的灵敏度和71.8%的特异性,相对于P1.1,EagleEye获得了93.3%的灵敏度和71.8%的特异性.
- 人工智能辅助的工作流 (EE + P2) 提高了P1的灵敏度至83.8%,同时保持了100%的特异性.
- 在CIN3病例中,EagleEye标记了潜在的状细胞癌 (SCC),经过专家审查证实;p16-to-AI对应度在73.3%的病例中≥70%.
结论:
- 眼表现出对CIN2+检测的高度敏感性,并在人工智能辅助的工作流程中与专家读者达成实质性协议.
- 人工智能辅助的主要好处是改善了治疗相关病变的识别,特别是在CIN1/CIN2边界附近.
- 最终的诊断决定仍由病理学家做,利用人工智能作为支持工具.
