Multi-institutional validation of AI models for classifying urothelial neoplasms in digital pathology
8.0
来源：
Nature
关键字：
computational pathology
发布时间：
2025-10-24 23:37
摘要：
本研究开发了一种基于深度学习的AI模型，用于分类膀胱肿瘤，包括正常、非侵袭性和侵袭性肿瘤。通过对12,500个全切片图像的多机构验证，模型在分类准确率上达到了0.913，展现了其在临床应用中的有效性和潜力。研究结果表明，AI技术能够提高病理诊断的准确性和效率，尤其是在处理复杂的肿瘤分类时。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
1.0分
business_impact
0.5分
scientific_rigor
1.5分
timeliness_innovation
1.5分
investment_perspective
2.5分
market_value_relevance
1.0分
team_institution_background
0.5分
technical_barrier_competition
0.5分
关键证据
EfficientNet-B6模型在分类准确率上达到了0.913，显示出其优越的性能。
研究使用了来自五个机构的12,500个全切片图像进行训练和验证。
AI模型在膀胱癌分类中的应用展示了其在临床决策中的潜力。
真实性检查
否
AI评分总结
本研究开发了一种基于深度学习的AI模型，用于分类膀胱肿瘤，包括正常、非侵袭性和侵袭性肿瘤。通过对12,500个全切片图像的多机构验证，模型在分类准确率上达到了0.913，展现了其在临床应用中的有效性和潜力。研究结果表明，AI技术能够提高病理诊断的准确性和效率，尤其是在处理复杂的肿瘤分类时。