Digital-Rapid现场检查在支气管内超声引导下Transbronchial针愿望(首次):一个概念验证研究人工智能在支气管镜检查中的应用套件
- 作者Nishant Kumar Chauhan (nishant97在}{gmail.com)
文摘
人工智能使用开源深层神经网络能够分类EBUS-TBNA过程现场细胞学涂片在支气管镜检查套件https://bit.ly/3vcRYX1
编辑器:
支气管内超声引导针transbronchial愿望(EBUS-TBNA)已经成为标准的照顾抽样纵隔和门的病变,发现增加接受诊断和分期的目的(1]。EBUS-TBNA是一个昂贵的过程由于高成本的设备(2]。重复过程的一个不确定的结果增加了新兴的支出。为了绕过这个问题,快速现场检查(玫瑰)采用减少针穿刺,减少的数量要求额外的程序(3]。然而,增长需要的病理学家或支气管镜检查cyto-technicians套件。
人工智能(AI),尤其是深层神经网络,其问世以来已经走过了漫长的道路。人工智能被用于显微镜检查的病理图像,PAPNET是最知名的应用程序被用于筛查宫颈癌(4]。我们所知,没有研究已经发表在人工智能的应用在EBUS-TBNA的玫瑰。
我们人工智能的性能评估模型,组成的一个开源卷积神经网络(CNN)使用转移学习,为其能够准确分类的图像的玫瑰EBUS-TBNA涂片在支气管镜检查套件。本研究机构伦理委员会批准(IEC全数量/ IEC / 2020/3214)。
441的细胞学图像的玫瑰EBUS-TBNA涂片回顾性收集病人的医疗记录从2019年6月到2020年6月支气管镜检查。涂片染色有修改吉姆沙染色剂和图像是用奥林巴斯显微镜获得400×放大。幻灯片被一位病理学家检查分配给类基于标准采用的lsharifet al。(5),根据诽谤被贴上足够如果有>每大功率领域(高通滤波器)或40淋巴细胞肉芽肿或恶性肿瘤细胞被发现;否则,它被归类为不足。顺向这种分类,涂片被分为以下四类:1)“肉芽肿”(存在一个或多个肉芽肿),2)“足够的淋巴细胞”(> 40淋巴细胞/高通滤波器),3)“恶性细胞”(存在恶性肿瘤细胞),4)“不足”(符合所有的标准以上)(图1)。
所有的图片都是精减至224×224像素大小的JPG格式,这是兼容不同的开源cnn。15%的图像从每个类别的涂片分离形成一个测试集(n = 66)和其他图像构成训练集(n = 375)创建一个训练有素的人工智能模型及其后续评估。不同开源不同深度的卷积神经网络训练数据集上的性能进行了评估。的19-layered VGG19模型发布的视觉几何组(VGG),牛津大学被发现是最好的的准确性和随后在这项研究中使用(6]。通过PyTorch VGG19实施使用Python。我们使用随机梯度下降法作为优化器批量大小的四个使用softmax叉的损失函数。测试集的最后评估训练模型来评估的可转让性深层神经网络学习的特性图1)。
25世纪的训练后,模型在13时代被发现有一个高精度log-loss最低(93.4%)与(0.18)和被选作进一步评估。培训/测试集的分解图像和人工智能模型所示的结果图1。测试集上的整体模型的准确性为92.4%。最高精度是指出“足够的淋巴细胞”(96.8%),其次是“不足”(93.3%)、“肉芽肿”(85.7%)和“恶性细胞”(83.3%)。
类“肉芽肿”、“足够的淋巴细胞”和“恶性细胞”被组合在一起来评估我们的模型的性能区分充足和涂片不足。在测试设置中,有51个图像足够的涂片(“肉芽肿”/“足够的淋巴细胞”/“恶性细胞”)和15涂片不足的图像。“足够的淋巴细胞”类中,两个51的照片是属于“不足”并被错误地归类为15类和一个图像在“不足”类是不是属于“足够”类的模型。这个模型的敏感性为96.1%,特异性93.3%区分足够的涂片不足。
病理学领域正在经历一次重大的转变与取样频率增加,导致增加人工智能的应用。机器学习已经被用于识别组织病理学形态特征与预后相关的乳腺癌[7]。可比CNN对手工报表的准确性已经证明在评估前列腺切除术标本的格里森评分(8]。
支持向量机(SVM)是适合高维度数据,如全基因组转录组。它已经被用于分析EBUS-TBNA样本的转录概况9]。我们的研究涉及图像的分析,包含数以百万计的数据点,不能由经典的机器学习技术,因此我们采用CNN算法为基础。VGG19是一个开源CNN,可以从图像中提取多个特性在每一层准备特征图谱,协助学习商标功能的类。这包括在数据库和多个迭代校正输出的反向传播直到达到准确性和过度学习之间的权衡。
年代avalaet al。(10]深神经网络用于区分从滤泡细胞癌甲状腺滤泡腺瘤,尽管有限的39个样本大小的图片,他们的模型能正确分类的九个测试图像(精度为100%)。年代anyalet al。(11]报道使用深层神经网络来区分从non-papillary甲状腺乳头状癌使用数据集组成的370张图片与高灵敏度温和(90.5%)和特异性(83.3%)。我们的模型也用深层神经网络能正确分类的玫瑰EBUS-TBNA涂片与高灵敏度充足和不足(96.1%)和特异性(93.3%)使用一个数据集组成的375张照片。在基本层面上,这种辨别能力,我们的模型可以帮助屏幕幻灯片的充分性,从而降低整体完成如过程所需的周转时间。
我们的研究有一些局限性。我们采用了non-segmentation方法因其简单分类图片,使受限制的信息。看看可能是有用的人工智能模型的性能依赖于分割像素级的细胞学分类图片,所以,每一个数据点在幻灯片上是占和分类12]。我们使用的学习方法转换,这限制了图像的尺寸提供给模型进行分析。从头开始构建神经网络是超出了我们的研究范围,但在将来的研究中可以考虑以防止数据丢失与裁员相关的图片,这是一个开源CNN模型要求。有一个不平衡图像在类别的数量我们只能收集图像的玫瑰EBUS-TBNA提供给我们。
我们的研究证实了概念证明,人工智能可以用来分类图像中获得的玫瑰EBUS-TBNA精度高。首次研究开发类似的人工智能模型奠定了基础,开辟了自动化过程的可能性,这可能会进一步导致大量减少时间和费用与支气管镜检查的程序套件。
可共享的PDF
脚注
利益冲突:美国Asfahan没有披露。
利益冲突:p . Elhence没有披露。
利益冲突:n达特没有披露。
利益冲突:r .米米Jalandra没有披露。
利益冲突:N.K. Chauhan没有披露。
- 收到了2021年3月17日。
- 接受2021年6月6日。
- 版权©2021年作者。生殖权利和权限接触权限在}{ersnet.org