基于深度学习的胃黏膜上皮病变病理诊断模型研究
严丹丹1
尹修恒2
阎红琳1
饶洁1
罗斌1
袁静萍1
1.武汉大学人民医院病理科,武汉 4300602.武汉大学数学与统计学院,武汉 430072
摘要：目的 胃上皮异型增生(GED)是大部分胃癌的癌前病变,受到临床的高度重视.但胃上皮异型增生的病理诊断标准、分类和分级极不统一,病理医师之间存在高度不一致性.本研究实施机器学习,以期提高其病理诊断准确率.方法 收集武汉大学人民医院病理科1560张胃黏膜上皮病变组织HE切片(包括胃炎、不确定上皮内瘤变、低级别上皮内瘤变、高级别上皮内瘤变、肠型腺癌和弥漫型腺癌),扫描成数字切片后,自动提取有效病理区域后在×20下分割成567×567的图像块.其中1255张WSI图像用于卷积神经网络(CNN)的训练.另外305张WSI图像用于CNN的测试,采用Accuracy、Precision、Recall、F1-socre值、宏平均ROC、微平均ROC和AUC等指标对胃黏膜上皮病变多分类模型进行评价.结果 基于CNN的分类模型在测试集中的总体准确率达83.6％.测试集中的宏平均ROC曲线下面积AUC=0.97,微平均ROC曲线下面积AUC=0.96,表明本研究提出的CNN模型在胃黏膜病变分类中具有较高分类价值,具备较高的稳定性.结论 本研究建立的基于CNN多分类模型在胃黏膜上皮病变病理辅助诊断中具有较高的准确率和较好的稳定性.随着人工智能技术的在医学图像研究领域的深入发展,基于CNN病理辅助诊断模型将成为辅助病理医师进行精准诊断的重要工具.
关键词：胃黏膜病变异型增生人工智能深度学习病理诊断
分类号：R735.2(消化系肿瘤)
资助基金：湖北省卫生健康委员会科研项目(WJ2021M151)国家自然科学基金(82003490)
论文发表日期：2022-12-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：5( 1097-1100,1110 )
英文信息