AI的推动下，传统医疗诊断领域正在进行深度变革。
近日，由澳洲查尔斯达尔文大学、加拿大卡尔加里大学等多个高校组成的研究团队成功开发出名为“ECgMLP”的AI模型，以99.26%准确率成功识别子宫内膜癌，准确度超越当前所有疗法。
图片
要知道，子宫内膜癌的病理诊断难点较大，亚型较多且不同形态可能重叠，人类医师平均仅有78-81%的诊断率。
子宫内膜癌是一种普遍存在的妇科恶性肿瘤，影响着全世界的女性。2018 年，全球约有 382,069 例子宫体新发病例和 89,929 例死亡病例。
早发现，早诊疗能够很大程度上提升患者的生存期。
简单而言，团队收集了3302张子宫病理高分辨率，并将其分为子宫内膜腺癌、子宫内膜增生、子宫内膜息肉和正常子宫内膜4类，每类又包含不同数量的图像和亚型。
Fig 1
图：经过分类的病理图像
研究人员对这些图像进行了预处理，从而产生高质量的输入数据以供进一步分析。紧接着，团队采用多步分割方法（分水岭算法）从组织病理学图像中精确提取感兴趣的区域，再引入自注意力机制等，最终训练出ECgMLP模型。
测试结果发现，ECgMLP模型稳定没有过拟合，且在不同病理学数据集中的准确率保持在 98.99% 和 99.26% 之间。
此前，AI模型针对子宫内膜癌的准确度基本在76.91% 到 91.07% 之间，因此ECgMLP模型则是非常显著的性能改进。
此外，为了评估ECgMLP模型的泛化能力，研究团队在多个涵盖不同癌症类型组织病理学图像数据集上进行测试，这些癌症包括结直肠癌、乳腺癌、口腔癌。
图片
图：ECgMLP在其他癌种组织图像上的准确度
结果显示，ECgMLP在这些数据集的准确率高达97%及以上，证明了其在跨癌种组织学模型上，也具有较强的泛化能力。
ECgMLP在结直肠癌的准确率能达到98.57%，乳腺癌的准确率是98.20%，口腔癌的准确率也能达到97.34%。

 

团队表示，未来们目标是收集多中心数据，并推进ECgMLP的泛化能力。

 

同时，由于该研究主要在数据集中进行，研究人员还希望进行临床验证研究，以评估其在实际环境中作的可行性，并进一步提高模型的诊断性和可用性。

 

—The End—