基于病理大切片的直肠癌病理T分期人工智能识别与应用的临床研究

作     者：鞠宜衡 

作者单位：青岛大学 

学位级别：硕士

导师姓名：卢云

授予年度：2022年

学科分类：1002[医学-临床医学] 100214[医学-肿瘤学] 10[医学] 

主      题：病理大切片 直肠癌 深度学习 人工智能 神经网络 

摘      要：目的:目前全世界范围内的直肠癌总体发病率不断上升,直肠癌的病理诊疗工作也日渐繁重。人工智能已被证实能充分挖掘图像特征,辅助临床医生做出决策,而病理大切片中蕴含着大量的病理信息,可以避免使用小切片拼接观察从而提高诊断的准确性。在本研究中,我们利用病理大切片数字图像建立深度学习模型,旨在探索病理诊断的新方法来辅助病理医师进行直肠癌病理癌区域的识别和T分期的判断。方法:我们收集了 2019年1月-9月青岛大学附属医院经手术切除的共168例原发性直肠癌标本制成病理大蜡块,经切片、染色、扫描后共计得到1400张HE染色全玻片扫描图像,使用随机数表法将所有病人按7:3比例随机分为训练组和测试组,训练组数据用来构建人工智能模型,测试组数据用来测试模型的有效性。最后,用准确率、Dice系数、灵敏度、特异度、受试者工作特征曲线及曲线下面积等来评估建立的人工智能模型的性能。结果:在本模型当中,癌区域分割和自动识别的准确率为95%,Dice系数0.90,模型的受试者工作特征曲线的曲线下面积为0.92,灵敏度和特异度分别为90%、95%,T分期总体识别的准确率为85%,T1-T4分期自动识别的准确度分别为79%,81%、85%、75%,AUC 值分别为 0.86、0.88、0.90、0.70,灵敏度分别为 80%、83%、88%、71%,特异度分别为85%、86%、88%、75%。每张图像的自动识别所需的时间为0.2秒。结论:深度卷积神经网络模型在术后病理大切片癌区域和T分期自动识别中拥有较高的准确率和较强的模型性能,可以在一定程度上作为临床工作的辅助诊断工具,提高病理诊断效率。