“Evaluation of an enhanced ResNet-18 classification model for rapid On-site diagnosis in respiratory cytology”
文章标题：Evaluation of an enhanced ResNet-18 classification model for rapid On-site diagnosis in respiratory cytology
中文标题：增强型ResNet-18分类模型在呼吸道细胞学现场快速诊断中的应用评估
发表期刊：BMC CANCER
发表时间：2025年1月3日
影响因子：4.6/二区TOP
研究背景：肺癌是全球癌症相关死亡的主要原因，早期诊断对于提高患者生存率至关重要。传统的肺癌诊断方法依赖于细胞病理学，但在中国，由于病理学家对Diff-Quik染色方法不熟悉，以及专业细胞病理学家的短缺，这限制了快速现场评估（ROSE）的应用。因此，开发一种改进的深度学习模型，以协助临床医生快速、准确地评估Diff-Quik染色的细胞学样本，具有重要的临床价值。
主要内容：本研究回顾性地收集了739份呼吸道细胞学标本的现场诊断，涵盖6个诊断类别，包括类癌、正常细胞、腺癌、鳞状细胞癌、非小细胞癌和小细胞癌，所有恶性诊断均经组织病理学和免疫组织化学确诊。通过全玻片扫描获得116张Diff-Quik染色细胞学样本的数字图像，并从中选择代表性图像进行训练和测试ResNet-18分类模型，该模型由中国科学院苏州研究所和丽水市中央医院合作开发，采用增强型ResNet-18网络并加入卷积块注意力模块（CBAM）。研究设计了一个全面的流程图，展示了从样本收集到诊断结论的过程，并整合了AI和病理学家的评估。在模型测试阶段，116张测试图像被随机选择并分配给三名来自不同医院的细胞病理学家和AI模型进行诊断，最终诊断基于共识或特定标准确定，并计算了包括敏感性、特异性、阳性预测值、阴性预测值和准确率在内的诊断性能指标。
研究技术线路图
在本研究中，模型测试采用随机选取的116张图像，涵盖类癌、非小细胞癌、小细胞癌、正常、鳞状细胞癌和腺癌六类。图像混合后，由三名不同医院的细胞病理学家和一个AI模型独立进行诊断，任务以多项选择形式呈现。诊断结果中，当AI模型与细胞病理学家的诊断不一致时，选择正确的诊断作为联合诊断。性能评估包括灵敏度、特异性、阳性预测值、阴性预测值和准确度等指标，采用宏观平均法计算多类分类指标，并在Python中生成多类ROC曲线。错误评估涉及肿瘤类型预测错误和无法诊断的情况。该研究旨在评估AI模型在细胞病理学诊断中的辅助作用及其与细胞病理学家的诊断融合潜力。
多类ROC曲线（宏观平均法）
本研究中，改进的ResNet-18分类模型在116张Diff-Quik染色细胞学样本的测试集上表现出较高的诊断准确性。模型在各个诊断类别（如类癌、正常细胞、腺癌、鳞状细胞癌、非小细胞癌和小细胞癌）上的表现与人类细胞病理学家相当。具体而言，模型的总体准确率达到85.34%，敏感性为86.21%，特异性为84.48%，阳性预测值为87.50%，阴性预测值为82.35%。
在参与研究的3名细胞病理学家中，经验最丰富的副主任医师的诊断准确性最高，其次是主治医师，最后是住院医师。AI模型的诊断准确性介于副高职称和主治医师之间。这表明AI模型在诊断能力上已接近具有中等经验的细胞病理学家。
当AI模型与人类细胞病理学家结合使用时，诊断准确性有所提高。在AI与人类诊断不一致的情况下，选择正确的诊断可使副高职称、主治医师和住院医师的诊断准确性分别提高4.44%、13.51%和11.79%。这表明AI辅助诊断有助于减少人类诊断误差，提高整体诊断水平。
AI模型在处理图像和输出诊断结果方面表现出显著的速度优势，平均每张图像的诊断时间仅需0.3秒，远快于人类细胞病理学家。此外，AI模型的诊断结果具有更高的客观性和可重复性。
通过皮尔逊相关系数热图分析，我们发现AI模型与人类细胞病理学家的诊断结果之间存在较强的正相关关系，表明AI模型在模拟人类专家诊断能力方面具有较高的一致性和可靠性。
综上所述，本研究结果表明，改进的ResNet-18分类模型在呼吸细胞学现场快速诊断中具有较高的应用价值，能够作为人类细胞病理学家的有效辅助工具，提高诊断准确性和效率。然而，人类专业知识在复杂病例的诊断过程中仍具有不可替代的作用。
诊断的Pearson相关热图
从本质上讲，AI 和人类细胞病理学家形成了一种动态的伙伴关系，可以放大彼此的优势。通过合作，他们释放了改善诊断结果的潜力。AI 减轻了工作量，提高了诊断精度，而人类专业知识则提供了关键的高水平判断，确保诊断具有无与伦比的准确性和可靠性。
这项研究的完整代码，包括模型、数据预处理、训练、测试和评估，都可以在公共 GitHub 存储库 （https://github.com/cir9/resnet-cbam-py） 中找到。
Github代码
附：Dr. Aleks Zuraw科普解读中英文双字幕
原文献下载请点击文末【阅读原文】
