典型文献
基于深度学习的胃黏膜上皮病变病理诊断模型研究
文献摘要：
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.
文献关键词：
胃黏膜病变;异型增生;人工智能;深度学习;病理诊断
中图分类号：
作者姓名：
严丹丹;尹修恒;阎红琳;饶洁;罗斌;袁静萍
作者机构：
武汉大学人民医院病理科,武汉 430060;武汉大学数学与统计学院,武汉 430072
文献出处：
引用格式：
[1]严丹丹;尹修恒;阎红琳;饶洁;罗斌;袁静萍-.基于深度学习的胃黏膜上皮病变病理诊断模型研究)[J].诊断病理学杂志,2022(12):1097-1100,1110
A类：
socre
B类：
黏膜上皮,病理诊断,诊断模型,异型增生,GED,胃癌,癌前病变,诊断标准,极不,不一致性,诊断准确率,武汉大学,病理科,病变组织,HE,胃炎,低级别上皮内瘤变,高级别上皮内瘤变,肠型腺癌,弥漫型,描成,数字切片,自动提取,割成,WSI,Accuracy,Precision,Recall,多分类,分类模型,测试集,胃黏膜病变,辅助诊断,医学图像,图像研究,精准诊断
AB值：
0.290639
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
