冷凍肝生検における肝臓の大胞性脂肪変性定量のための基盤人工知能モデルの精度

科学分野:

• 医用画像処理; 人工知能; 肝臓病学

背景:

• ドナー肝臓生検におけるマクロ胞状脂肪変性の正確な評価は、肝移植の意思決定にとって非常に重要です。; 現在の方法は、病理医間のばらつきや凍結によるアーチファクトといった課題に直面しています。; 人工知能（AI）は、標準化され再現性のある評価のための潜在的なソリューションを提供します。

研究 の 目的:

• 2つの自己教師あり学習（SSL）ベースの基盤モデル、Prov-GigaPathとUNIの診断パフォーマンスを評価すること。; AIモデルによる冷凍肝生検切片のマクロ胞状脂肪変性の分類と、外科病理医の評価との比較を行うこと。

主な方法:

• 68人のドナーからの131の冷凍肝生検検体を用いた後ろ向き研究。; スライドをホールスライドイメージにデジタル化し、Prov-GigaPathとUNIを使用して埋め込みを抽出。; AIパフォーマンスと専門病理医レビューによる正解との比較を行い、スライドレベル分類器のトレーニングとテストを実施。

主要な成果:

• 脂肪変性（<30% vs. ≥30%）の二値分類において、Prov-GigaPathは96.4%、UNIは85.7%、病理医は89.3%の精度を達成しました。; 5カテゴリ分類では、精度は低くなりました：Prov-GigaPath 57.1%、UNI 50.0%、病理医 64.2%。; 誤分類は主に中間脂肪変性カテゴリ（5%から<30%）で発生しました。

結論:

• SSLベースのAIモデルは、脂肪変性の臨床的に重要な二値分類において、外科病理医と同等のパフォーマンスを示しました。; AIは、ドナー肝臓生検の術中評価を標準化する可能性を秘めています。; 現在の研究のサンプルサイズが小さいため、検証にはより大規模でバランスの取れたコホートが必要です。