Localización de lesiones y diagnóstico patológico del adenocarcinoma pulmonar ovino basado en MASK R-CNN
Autores: Chen, Sixu; Zhang, Pei; Duan, Xujie; Bao, Anyu; Wang, Buyu; Zhang, Yufei; Li, Huiping; Zhang, Liang; Liu, Shuying
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Localización de lesiones y diagnóstico patológico del adenocarcinoma pulmonar ovino basado en MASK R-CNN
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Zootecnia
Palabras clave
Ovin
Adenocarcinoma pulmonar
JSRV
Mask R-CNN
Conjunto de datos COCO
Imágenes patológicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
El adenocarcinoma pulmonar ovino (OPA) es un tumor pulmonar contagioso causado por el retrovirus Jaagsiekte de las ovejas (JSRV). El diagnóstico histopatológico es el estándar de oro para el diagnóstico de OPA. Sin embargo, la interpretación de las imágenes de patología tradicionales es compleja y depende del operador. La red neuronal convolucional regional con máscara (Mask R-CNN) ha surgido como una herramienta valiosa en el diagnóstico patológico. Este estudio utilizó 54 imágenes de diapositivas completas (WSI) típicas de OPA para extraer 7167 imágenes de lesiones típicas que contienen OPA para construir un conjunto de datos de Objetos Comunes en Contexto (COCO) para imágenes patológicas de OPA. El conjunto de datos se categorizó en conjuntos de entrenamiento y prueba (proporción 8:2) para el entrenamiento y validación del modelo. Se utilizaron la especificidad media promedio (mASp) y la sensibilidad promedio (ASe) para evaluar el rendimiento del modelo. Se utilizaron seis imágenes patológicas a nivel de WSI (tres imágenes de OPA y tres imágenes no OPA), no incluidas en el conjunto de datos, para la validación del modelo anti-peeking. Se utilizó una selección aleatoria de 500 imágenes, no incluidas en el establecimiento del conjunto de datos, para comparar el rendimiento del modelo con la evaluación de patólogos. Se evaluaron la precisión, la sensibilidad, la especificidad y la tasa de concordancia. El modelo logró un mASp de 0.573 y un ASe de 0.745, demostrando una detección efectiva de lesiones y alineación con la anotación de expertos. En la verificación de Anti-Peeking, el modelo mostró un buen rendimiento en la localización de lesiones de OPA y distinguió OPA de imágenes patológicas no OPA. En el diagnóstico aleatorio de 500 imágenes, el modelo logró una precisión del 92.8%, una sensibilidad del 100% y una especificidad del 88%. Las tasas de acuerdo entre patólogos junior y senior fueron del 100% y del 96.5%, respectivamente. En conclusión, el modelo de diagnóstico de OPA basado en Mask R-CNN desarrollado para OPA facilita un diagnóstico rápido y preciso en aplicaciones prácticas.
Descripción
El adenocarcinoma pulmonar ovino (OPA) es un tumor pulmonar contagioso causado por el retrovirus Jaagsiekte de las ovejas (JSRV). El diagnóstico histopatológico es el estándar de oro para el diagnóstico de OPA. Sin embargo, la interpretación de las imágenes de patología tradicionales es compleja y depende del operador. La red neuronal convolucional regional con máscara (Mask R-CNN) ha surgido como una herramienta valiosa en el diagnóstico patológico. Este estudio utilizó 54 imágenes de diapositivas completas (WSI) típicas de OPA para extraer 7167 imágenes de lesiones típicas que contienen OPA para construir un conjunto de datos de Objetos Comunes en Contexto (COCO) para imágenes patológicas de OPA. El conjunto de datos se categorizó en conjuntos de entrenamiento y prueba (proporción 8:2) para el entrenamiento y validación del modelo. Se utilizaron la especificidad media promedio (mASp) y la sensibilidad promedio (ASe) para evaluar el rendimiento del modelo. Se utilizaron seis imágenes patológicas a nivel de WSI (tres imágenes de OPA y tres imágenes no OPA), no incluidas en el conjunto de datos, para la validación del modelo anti-peeking. Se utilizó una selección aleatoria de 500 imágenes, no incluidas en el establecimiento del conjunto de datos, para comparar el rendimiento del modelo con la evaluación de patólogos. Se evaluaron la precisión, la sensibilidad, la especificidad y la tasa de concordancia. El modelo logró un mASp de 0.573 y un ASe de 0.745, demostrando una detección efectiva de lesiones y alineación con la anotación de expertos. En la verificación de Anti-Peeking, el modelo mostró un buen rendimiento en la localización de lesiones de OPA y distinguió OPA de imágenes patológicas no OPA. En el diagnóstico aleatorio de 500 imágenes, el modelo logró una precisión del 92.8%, una sensibilidad del 100% y una especificidad del 88%. Las tasas de acuerdo entre patólogos junior y senior fueron del 100% y del 96.5%, respectivamente. En conclusión, el modelo de diagnóstico de OPA basado en Mask R-CNN desarrollado para OPA facilita un diagnóstico rápido y preciso en aplicaciones prácticas.