这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
本研究的主要作者包括Jan Siarov、Angelica Siarov、Darshan Kumar、John Paoli、Johan Mölne和Noora Neittaanmäki。研究由瑞典哥德堡大学Sahlgrenska学院生物医学研究所、Sahlgrenska大学医院临床病理科、芬兰Aiforia Technologies plc.等机构共同完成。研究于2024年8月22日发表在Frontiers in Medicine期刊上，DOI为10.3389/fmed.2024.1418013。
本研究的主要科学领域为数字病理学（digital pathology）和人工智能（AI），特别是深度学习在皮肤病理学中的应用。研究的背景是黑色素瘤（melanoma）的预后与其诊断时的淋巴结转移（nodal metastasis, NM）密切相关。然而，淋巴结内痣（intra-nodal nevus, INN）常被误诊为NM，导致错误的病理分期和治疗决策。此外，病理学家在评估前哨淋巴结活检（sentinel node biopsy, SNB）时存在较高的不一致性，可能导致假阳性和假阴性结果。因此，本研究旨在评估AI在检测SNB中的NM和INN方面的能力，特别是通过全片数字成像（whole slide imaging, WSI）技术实现AI在数字病理学中的应用。
研究流程包括以下几个主要步骤：
数据集构建：研究回顾性收集了196例SNB的485张H&E染色WSI图像，其中包括NM和INN。这些图像被随机分为训练集（279张）、验证集（89张）和测试集（117张）。所有图像均经过匿名化处理，并使用NanoZoomer数字切片扫描仪以40倍放大率扫描。
参考标准：研究使用免疫组织化学（IHC）作为参考标准，包括SOX10和HMB45染色。所有H&E切片均由经验丰富的皮肤病理学家重新评估，以确认NM和INN的诊断。
注释与训练：训练集的279张WSI图像由皮肤病理学家手动注释，共进行了5,956次像素级注释。注释分为两个层次：组织层（tissue layer）和肿瘤层（tumor layer）。AI模型使用Aiforia Create平台进行训练，基于U-Net架构的卷积神经网络（CNN）进行语义分割。
模型验证与测试：训练完成后，AI模型在未注释的验证集上进行验证，并在独立的测试集上进行测试。测试集包括27张NM、9张INN和81张无肿瘤的淋巴结图像。三名皮肤病理学家也在相同的测试集上进行盲法评估，结果与AI模型进行比较。
统计分析：研究使用ROC曲线和AUC值评估AI模型和皮肤病理学家的性能，并计算敏感性、特异性和准确性。统计分析方法包括精确二项检验和McNemar检验。
NM检测：AI模型在检测NM方面表现出色，AUC值为0.965（95% CI: 0.94–0.98），与皮肤病理学家的AUC值（0.94–0.98）相当。AI模型的敏感性为89%，特异性为94%。
INN检测：AI模型在检测INN方面的AUC值为0.781（95% CI: 0.70–0.85），皮肤病理学家的AUC值范围为0.63–0.79。AI模型的敏感性为78%，特异性为63%。
模型性能比较：AI模型在NM检测方面与皮肤病理学家表现相当，但在INN检测方面表现略优于部分皮肤病理学家，尽管其特异性较低。
肿瘤大小分析：测试集中NM的最大直径为0.1mm至21.8mm，中位直径为0.7mm；INN的直径范围为0.1mm至2.0mm，中位直径为0.3mm。AI模型能够检测到皮肤病理学家遗漏的小肿瘤灶。
本研究开发的深度学习AI模型在检测黑色素瘤SNB中的NM方面表现出色，达到了皮肤病理学家的水平，并在区分NM和INN方面展示了潜力。该模型基于H&E染色WSI图像，无需依赖IHC，能够显著提高病理诊断的效率和准确性。研究结果支持AI在数字病理学中的应用前景，特别是在黑色素瘤分期和诊断中的潜在价值。
研究还指出，AI模型在检测小肿瘤灶（如孤立肿瘤细胞）方面表现出色，这些病灶在传统病理检查中容易被遗漏。此外，研究团队计划在未来的研究中扩大样本量，并在多中心验证该模型的性能，以进一步提高其临床应用价值。
通过本研究的详细流程和结果分析，可以看出AI技术在皮肤病理学中的广泛应用前景，特别是在提高诊断效率和准确性方面的潜力。