基于深度学习的AI支持模型的开发和临床应用,用于子宫内膜癌细胞学

科学领域:

• 人工智能在病理学中的应用
• 用于医学诊断的深度学习
• 胚胎内膜细胞学分析

背景情况:

• 全球范围内不断上升的子宫内膜癌率需要先进的诊断工具.
• 病理学和细胞技术专业人员的短缺增加了诊断工作量.
• 人工智能驱动的深度学习模型为诊断支持提供了潜在的解决方案.

研究的目的:

• 评估一个增强的AI支持的子宫内膜细胞学模型的临床适用性.
• 为了比较不同深度学习架构 (YOLOv5x,YOLOv7) 的性能.
• 评估AI诊断在不同难度级别的一致性,并提高模型的可解释性.

主要方法:

• 利用YOLOv5x和YOLOv7模型进行细胞群检测,比较单个和双重注释的数据集.
• 采用两个单边测试 (TOST) 程序,将AI准确性与人类感知到的诊断难度相关联.
• 应用梯度加权类激活映射 (Grad-CAM) 对于AI模型的可解释性.

主要成果:

• 具有全面注释的YOLOv5x模型实现了最高的恶性病平均精度 (mAP) 0.798.8.
• 人工智能诊断的准确性保持一致,无论案件的难度如何,正如TOST分析所显示的那样.
• Grad-CAM可视化显示了人工智能决策过程,有时突出显示不同区域的人类诊断人员.

结论:

• 人工智能支持模型在子宫内膜细胞学分析中表现出高和一致的准确性.
• 通过Grad-CAM,AI的解释性得到了增强,显示出独特的诊断模式.
• 该研究将实时,显微镜集成的人工智能系统推向临床采用.