Úvod: Kolposkopie je základní metodou diagnostiky prekanceróz ejí výtěžnost
významně závisí na zkušenosti hodnotícího lékaře – publikovaná Area Under Curve
(AUC) vizuálního hodnocení dosahuje 0,69 (95% CI 0,63–0,74). Hluboké učení nabízí
cestu ke standardizaci hodnocení osavadní práce řeší segmentaci léze
Cíl: Vyvinout a validovat model hlubokého učení, který na kolposkopických
segmentuje lézi a současně odliší , a podpoří tak klinicky relevantní rozhodnutí o
indikaci k výkonu.
Metodika: Retrospektivní soubor 542 histologicky verifikovaných snímků (324 HG, 130
low-grade, 88 bez nálezu) anotovaných zkušeným kolposkopistou. Použit
předtrénovaný vision transformer (DINOv2) s dekodérem typu U-Net a pomocnou
klasifikační hlavou. Nevyváženost tříd kompenzuje kompozitní ztrátová funkce (Dice +
Focal), vyvážené vzorkování a rozšířená augmentace. Model byl hodnocen na
nezávislé testovací sadě koeficientem DICE a AUC.
Výsledky: Segmentace léze dosáhla DICE 0,65. V klasifikaci HG vs. non-HG model
dosáhl AUC 0,734 při senzitivitě 0,68 a specificitě 0,64. Dosažená segmentační přesnost
je srovnatelná s publikovanými architekturami (DICE 0,63–0,74) trénovanými na řádově
rozsáhlejších souborech (5 455 snímků); klasifikační výkon odpovídá publikovanému
vizuálnímu hodnocení kolposkopisty.
Závěr: Model dosahuje výkonu srovnatelného s literaturou při přibližně desetinovém
objemu trénovacích dat, což potvrzuje přínos předtrénovaných základových modelů
při limitované datové dostupnosti. Limitem zůstává nižší specificita a velikost souboru.
Další práce se zaměří na rozšíření datové sady, syntetickou augmentaci difuzními
modely a segmentaci podle jednotlivých stupňů léze, která dosud nebyla
systematicky popsána.