基于人工智能的皮肤黑色素细胞病变分诊
计算机视觉与模式识别
2024-10-15 v1 机器学习
摘要
由于病例数量不断增加以及对更全面诊断的需求，病理学家面临的工作量日益增大。为了减轻工作负担并加快诊断周转时间，我们开发了一种基于全切片图像的人工智能（AI）模型，用于对皮肤黑色素细胞病变进行分诊。该AI模型使用来自乌得勒支大学医学中心的回顾性队列进行开发和验证。数据集包含来自27,167个独特标本的52,202张全切片图像，这些标本来自20,707名患者。仅包含普通痣的标本被归为低复杂度类别（86.6%）。相比之下，包含任何其他黑色素细胞病变亚型（包括非普通痣、黑色素细胞瘤和黑色素瘤）的标本被归为高复杂度类别（13.4%）。数据集在患者层面被分为开发集（80%）和测试集（20%）以进行独立评估。预测性能主要使用受试者工作特征曲线下面积（AUROC）和精确率-召回率曲线下面积（AUPRC）来衡量。我们进行了一项模拟实验，以研究在临床中实施基于AI的分诊的效果。该AI模型在分布内测试集上达到了0.966的AUROC（95%置信区间，0.960-0.972）和0.857的AUPRC（95%置信区间，0.836-0.877），在分布外测试集上达到了0.899的AUROC（95%置信区间，0.860-0.934）和0.498的AUPRC（95%置信区间，0.360-0.639）。在模拟实验中，以随机病例分配作为基线，基于AI的分诊每500例病例平均避免了43.9例（95%置信区间，36-55）由普通病理学家进行的高复杂度病例的初次检查。总之，该AI模型在区分高复杂度和低复杂度皮肤黑色素细胞病变方面表现出强大的预测性能。基于AI的分诊对工作流程效率的改善可能是显著的。
关键词
引用
@article{arxiv.2410.10509,
title = {Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions},
author = {Ruben T. Lucassen and Nikolas Stathonikos and Gerben E. Breimer and Mitko Veta and Willeke A. M. Blokx},
journal= {arXiv preprint arXiv:2410.10509},
year = {2024}
}
备注
14 pages, 6 figures