数字肝脏铁含量:一种人工智能模型,用于在肝脏样本中进行空间解析的组织学铁量化分析
Priyadharshini Sivasubramaniam1, Nadarra Stokes1, Ameya Patil1
1Department of Laboratory Medicine and Pathology, Mayo Clinic, Rochester, Minnesota.
概括
一个人工智能模型使用常规染料分析肝脏组织的铁含量,与实验室测试高度相关. 这种非破坏性方法提供了精确的,空间分辨率的铁测量,用于诊断铁过载条件.
科学领域:
- 数字病理学数字病理学
- 医学中的人工智能
- 肝病学 肝病学是一种肝病学.
背景情况:
- 准确的肝铁含量 (HIC) 评估通常需要破坏性的实验室方法.
- 常规组织学染色为非破坏性铁评估提供了潜在的机会.
研究的目的:
- 开发和验证一种人工智能 (AI) 模型,用于识别和量化肝脏铁,使用常规组织学染色.
- 评估AI模型与已建立的定量和半定量铁评估方法的相关性.
主要方法:
- 一个受监督的深度学习人工智能模型被训练在数字化珍珠普鲁士蓝色染色的肝脏样本的整个幻灯片图像上.
- 人工智能模型使用98个肝脏样本与可用的诱导合血质谱 (ICP-MS) 数据进行了验证.
- 在AI衍生的%铁面积和HIC,肝铁指数 (HII) 和组织学评分系统之间进行了相关性分析.
主要成果:
- 人工智能模型显示HIC与ICP-MS的高相关性 (核心活检Rs=0.93,所有样本Rs=0.86).
- 人工智能模型准确地预测了高肝铁指数 (HII>1,AUC=0.93;HII>1.9,AUC=0.94).
- 通过人工智能的空间分辨铁分析确定了遗传性血色素变异 (AUC=0.65) 并与组织学评分 (Rs=0.87) 有很强的相关性.
结论:
- 人工智能模型提供了精确,非破坏性的,并且在空间上解析的肝脏铁含量量量化.
- 这种人工智能方法增强了常规组织学染色物的实用性,用于诊断和管理铁过载障碍.
- 人工智能模型在HIC评估中比传统的组织破坏性方法具有优势.
