핵심 개념
該研究開發了一種基於人工智慧 (AI) 的模型,用於對皮膚黑色素細胞病變進行分級診斷,並證明了其在提高病理部門工作流程效率方面的潛力。
초록
研究論文摘要
文獻資訊: Lucassen, R. T., Stathonikos, N., Breimer, G. E., Veta, M., & Blokx, W. A. M. (2024). Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions. arXiv preprint arXiv:2410.10509v1.
研究目標: 本研究旨在開發並驗證一種基於人工智慧的模型,用於對皮膚黑色素細胞病變進行分級診斷,以提高病理部門的工作流程效率。
方法: 研究人員使用來自荷蘭烏得勒支大學醫學中心一個內部數據集,其中包含 27,167 個黑色素細胞病變的組織切片,並對應 52,202 張全玻片圖像 (WSI)。他們根據診斷代碼將病變分為高複雜度和低複雜度兩類,並使用分層圖像金字塔轉換器 (HIPT) 模型提取圖像特徵。最後,他們訓練了一個視覺轉換器 (ViT) 模型來預測病變的複雜度。
主要發現: AI 模型在區分高複雜度和低複雜度黑色素細胞病變方面表現出強大的預測性能,在內部分佈測試集上的 AUROC 為 0.966,AUPRC 為 0.857。模擬實驗表明,基於 AI 的分級診斷可以顯著減少病理學家對高複雜度病例的初步檢查數量,從而提高工作流程效率。
主要結論: AI 模型在區分高複雜度和低複雜度黑色素細胞病變方面取得了成功。基於 AI 的分級診斷有可能通過減少病理學家的工作量、縮短周轉時間和改善患者護理來提高工作流程效率。
意義: 這項研究強調了人工智慧在病理學中,特別是在皮膚黑色素細胞病變診斷方面的應用潛力。該模型可以幫助病理學家更有效地管理他們的工作量,並可能導致更及時的診斷和治療。
局限性和未來研究方向: 儘管該模型表現良好,但作者也指出了其局限性,例如需要進一步驗證模型在罕見和容易誤診的黑色素細胞病變上的性能,以及需要將其他常見皮膚病變納入模型以提高其穩健性。未來的研究可以集中在評估基於 AI 的分級診斷對患者預後和醫療保健成本的影響。
통계
該數據集包含來自 20,707 名患者的 27,167 個獨特標本的 52,202 張全玻片圖像 (WSI),佔用 23.1 TB 的圖像數據。
黑色素細胞病變分為高複雜度 (13.4%) 和低複雜度 (86.6%) 兩類,用於分級診斷。
AI 模型在內部分佈測試集上達到了 0.966 的 AUROC(95% CI,0.960-0.972)和 0.857 的 AUPRC(95% CI,0.836-0.877)。
在模擬實驗中,使用隨機病例分配作為基準,基於 AI 的分級診斷平均每 500 個病例可防止普通病理學家對 43.9 個(95% CI,36-55)高複雜度病例進行初步檢查。
인용구
"Pathologists are facing an increasing workload due to a growing volume of cases and the need for more comprehensive diagnoses."
"The transition to fully digital pathology departments enables the implementation of artificial intelligence (AI) models for workflow optimization to reduce the workload of pathologists and improve patient care."
"In conclusion, the AI model achieved a strong predictive performance in differentiating between cutaneous melanocytic lesions of high and low complexity. The improvement in workflow efficiency due to AI-based triaging could be substantial."