| 摘 要： | 目的 胃上皮异型增生(GED)是大部分胃癌的癌前病变，受到临床的高度重视。但胃上皮异型增生的病理诊断标准、分类和分级极不统一，病理医师之间存在高度不一致性。本研究实施机器学习，以期提高其病理诊断准确率。方法 收集武汉大学人民医院病理科1560张胃黏膜上皮病变组织HE切片(包括胃炎、不确定上皮内瘤变、低级别上皮内瘤变、高级别上皮内瘤变、肠型腺癌和弥漫型腺癌),扫描成数字切片后，自动提取有效病理区域后在×20下分割成567×567的图像块。其中1255张WSI图像用于卷积神经网络(CNN)的训练。另外305张WSI图像用于CNN的测试，采用Accuracy、Precision、Recall、F1-socre值、宏平均ROC、微平均ROC和AUC等指标对胃黏膜上皮病变多分类模型进行评价。结果 基于CNN的分类模型在测试集中的总体准确率达83.6%。测试集中的宏平均ROC曲线下面积AUC=0.97,微平均ROC曲线下面积AUC=0.96,表明本研究提出的CNN模型在胃黏膜病变分类中具有较高分类价值，具备较高的稳定性。结论 本研究建立的基于CNN多分类模型在胃黏膜上皮病变病理辅助诊断中具有较高的...
|
