人工智能增强眼表鳞状瘤变的诊断

快速阅读: 据《Nature.com》最新报道，研究开发了一种基于体内共聚焦显微镜和人工智能的方法，用于区分眼表鳞状上皮瘤与其他病变，显著提高了诊断准确率。通过创新数据增强和技术应用，模型实现了高精度分类，并可反向映射至图像及患者级别，为个性化诊疗提供可能。

一种利用体内共聚焦显微镜（IVCM）的人工智能（AI）方法，用于区分眼表鳞状上皮瘤（OSSN）与其他病变。该研究通过对比已有的AI相关解决方案，展示了其性能优势。

研究团队采用包含2774张IVCM图像的数据集（涵盖OSSN及其他眼表疾病），训练了三种深度学习模型：ResNet50V2、YOLOv8x和VGG19。这些模型通过识别特定的视觉特征（如星芒状图案、角化过度、有丝分裂图以及不规则形状的上皮细胞）来识别与OSSN相关的病变。为了解决类别不平衡的问题，他们引入了一种新颖的基于正方形的数据增强策略。同时，为了提升如有丝分裂这类罕见症状的识别准确性，还实现了一种小样本学习模型。

为了增强模型对决策机制的解析能力，研究者们采用了Shapley值和均匀流形近似投影（UMAP）进行分析。结果显示，AI模型在区分健康组织与病理性组织方面表现优异，在所有模型中准确率均超过90%。在二元分类任务中，所有AI模型的准确率更是超过了97%，其中精度达到了98%以上，召回率不低于85%，F1分数则不低于92%。

进一步地，在四类标记分类中，细胞级结果的聚合展现了最佳性能，F1分数达到了满分100%。模型成功识别了IVCM图像中的个性化特征，表明这些图像可以作为“生物指纹”。研究中的IVCM结合AI模型不仅能够精准分类OSSN，而且细胞级分类结果还可以反向映射到图像级甚至患者级。IVCM图像中蕴含的个性化信息开启了个性化诊疗监测的可能性，为眼科肿瘤学领域开辟了新的前景。

这项研究成果不仅提升了眼表疾病的诊断效率，还为未来医疗技术的发展提供了重要参考，展现出广阔的应用前景。

(以上内容均由Ai生成)