《AI在宫颈细胞学及甲状腺FNA细胞学中的应用.docx》由会员分享，可在线阅读，更多相关《AI在宫颈细胞学及甲状腺FNA细胞学中的应用.docx（7页珍藏版）》请在课桌文档上搜索。
1、A1.在宫颈细胞学及甲状腺FNA细胞学中的应用一、人工智能在宫颈细胞学的应用宫颈细胞学巴氏液基涂片是宫颈癌筛查的主要方法，也是个劳动密集型过程，涉及细胞学技师的初步筛查和细胞学医生的进一步判读。基于深度学习的人工智能（AI）系统是一种能够扩展病理学实践领域的新兴技术。CeIIVigene软件可基于细胞膜、细胞核和细胞质特征的多个可量化参数，进行全涂片图像（WS1.）分析。来自美国耶鲁大学的PadminiManrai等探索了CeIIVigene软件辅助细胞病理医生判读巴氏液基涂片的潜在价值。他们高清扫描了348例患者的SurePath巴氏液基涂片,采用2014年Bethesda宫颈细胞学报告系统
2、为诊断标准：无上皮内病变或恶性病变（NI1.M,227例）,意义不明确的非典型鳞状细胞/不能除外高级别鳞状上皮内病变的非典型鳞状细胞（ASCUS32例；ASC-H23例），低级别和高级别鳞状上皮内病变（1.SI1.13例，HSI1.21例），非典型腺细胞（AGC32例）oCe1.IVigene软件分析涂片的WSI,并识别感兴趣的细胞,将其分类为HSI1.1.SI1.ASCUS和拥挤的细胞团。两位病理学医生对软件所选图像进行独立判读，从而做出最终诊断，并与基于涂片的原始诊断进行比较。最终诊断和原始诊断之间的总体符合率为69%（病理医生A）和61%（病理医生B）o按诊断类别，NI1.M具有最高的符
3、合率（病理医生A86%；病理医生B76%）,而与ASCUS、ASC-H/HSI1.和AGC的一致性较低（表1）。对于有异常鳞状细胞的病例，基于WS1.的诊断与原始诊断之间的差异被分为三个级别，一级差异为主要差异（医生A为69%,医生B为75%）（图1）。因此，他们认为基于WS1.的判读与传统的基于涂片的判读有较好的相关性；但是在较高级别的鳞状上皮和腺上皮病变中差异较明显，这将影响患者的临床管理。差异的原因仍需进一步分析，并需要随访相关的组织病理结果。随着基于WS1.的扫描技术逐步整合到实践中，A1.辅助分析会得到进一步改进（abs#:259）。Tab1.e1:Corre1.ationofima
4、ge-basedinterpretationsandinitia1.diagnosesDiagnosisNI1.MASCUS1.SI1.ASC-H/HSI1.AGCPatho1.ogistA196/22710/329/1313/4413/3286%31%69%30%41%Patho1.ogistB172/22710/328/1317/447/3276%31%62%39%22%目前在组织切片上对感兴趣区域进行标注的方法并不能满足病理学中监督机器学习（M1.）的需求，而且传统的组织学标注方法并不完全适用于细胞学标本。来自美国阿尔伯特爱因斯坦医学院的Si1.VaKriSto等提出了一个高效标记流程（
5、he1.P）,用于细胞学SurePath巴氏涂片的M1.。用he1.P图像数据集训练开源卷积神经网络（CNN）,并将训练后的CNN应用于巴氏涂片筛查，结果展示了其潜在应用前景。他们共收集了50例巴氏涂片，包括20例高级别（HG）、20例低级别（1.G）和10例正常病例。所有HG和1.G均有相关组织学活检结果证实。涂片使用飞利浦图像扫描仪在无Z维度堆叠（z-stack）的模式下，以40倍放大扫描。应用改进的OPenSIide程序将保存为TIFF文件的整个涂片图像（WS1.）文件提取为带有坐标的500x500像素块，并保存为PNG文件。HG和1.G图像由4位经验丰富的细胞病理医生选择并保存在指定文
6、件夹中（图1）;正常图像选自细胞技师签发的病例。所选图像以8：2的比例随机分布，分别用于训练集和验证集。他们使用固定特征提取器以及经过预训练的ResNet152在训练集上训练了附加分类器。拟合的CNN在10个HG、10个1.G和10个正常涂片的独立测试集上进行了进一步评估和比较。所有工作均采用Pytorch平台的Python语言完成。Fure1：Scannedwho1.es1.ideimageIsextractedasti1.ed500X500pixe1.patches(A)viaOpenSIideandsavedinatemporaryfo1.derasPNGfi1.es(B).Thegen
7、eratedimagesaresortedandse1.ected(draganddrop)byexperiencedCytopatho1.ogiststosaveimagesasHG,1.G,ornegativeIntodesignatedfoWers(C).共收集了6056张图像(1181HG,10OO1.G,3875正常)，随机分布。每位细胞病理医生选择图像所花费的时间约1-2小时。拟合的CNN最高验证准确率为90.5%;检测低级别和高级别细胞的敏感性、特异性、阳性预测值和阴性预测值分别为74.7%、98.4%、96.0%和92.0%o在测试涂片中,拟合的CNN对HG检测的敏感性为100
8、%(图2)oA)Negative PapFigure2: Examp1.es of negative PaP SurePath screened by fitted ResNetI S2 (A) and high grade SurePath slide (B). The red squares are areas highlighted by the trained algorithm as potential high grade lesions. Inset (6) shows high power view of the detected lesion.因此他们认为he1.P是一种为M
9、1.标记图像的高效方法，可减少标记耗时，并可选择高质量的图像来训练CNN。虽然初步研究受到病例/图像数量的限制，但是通过验证经过训练的算法，已经展示出使用he1.P训练的M1.作为细胞病理学筛查方法具有潜在应用前景(abs#:250)o二、人工智能在甲状腺细针穿刺细胞学的应用甲状腺结节细针穿刺细胞学(FNAC)与其他任何一种诊断方法相比，都具有更高的敏感性和预测价值。在BetheSda分类中，I1.1.类AUS/F1.US是一个不明确的诊断，不能归类为良性(BethesdaII类)、滤泡性肿瘤(BethesdaIV类)或其他。BethesdaIII类在未切除的结节中有10-30%的恶性风险。鼓
10、励应用辅助检测手段，但这些技术并非全部适用于细针穿刺标本。因此，来自埃及开罗大学国家癌症研究所的MonaAIabrak等将深度学习模型用于甲状腺结节（包括细胞学诊断为F1.US的病例）的分类：良性（BethesdaII类）或滤泡性肿瘤（BethesdaIV类），探索通过应用人工智能来提高FNAC在BetheSdaIII类中诊断的敏感性。他们收集了24例甲状腺病例的巴氏染色细胞学涂片，这些病例均有组织病理学结果，包括增生、滤泡性腺瘤和癌（各12例）,其中8例在FNAC中被诊断为F1.US（BethesdaIII类）。在40倍放大条件下采集了2008个感兴趣区域（ROI）的图像，其中1606个RO
11、1.作为训练集，402个RO1.作为验证集。基于卷积神经网络（CNN）的原理，构建了一个深度学习模型，该模型由卷积层、池化层和全连接层组成。采用图像处理和数据扩增技术，在批容量为32的条件下，对CNN进行了100期训练。在验证集中，CNN模型的准确率达90.05%,RoC曲线下面积为96.0%,平均敏感性和特异性分别为91.63%和88.0%。因此他们认为深度学习模型在甲状腺结节细胞学分类中具有很好的应用前景，在训练深度学习模型时增加样本大小（图像）后，准确率有望提高（abs#：221）oFigure1 - 221Figure2 - 221Norma1.izedconfusion matnxEdMkhEtorvPredKted1.abel综上介绍，基于深度学习的人工智能系统能够辅助提高细胞学的敏感性。无论在宫颈细胞学还是在甲状腺细针穿刺细胞学，人工智能均有较好的应用前景，其准确性有望通过扩大机器学习的样本量得到提高。
