自动纤维网:深度学习和多光子显微镜衍生自动化网络用于MAFLD中肝纤维化量化

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肝病学 肝病学是一种肝病学.

背景情况:

• 肝纤维化是代谢功能障碍相关脂肪肝疾病 (MAFLD) 中并发症和死亡率的关键预测因素.
• 像SHG/TPEF这样的无标签成像技术为评估肝纤维化提供了有希望的途径.
• 精确的肝纤维化阶段确定对于管理MAFLD患者至关重要.

研究的目的:

• 开发和验证AutoFibroNet,一个自动定量组织学分类工具.
• 将多光子显微镜 (MPM) 与深度学习相结合,用于在MAFLD中准确地确定肝纤维化阶段.
• 创建一个新的AI驱动系统,用于客观和精确的纤维化评估.

主要方法:

• 使用深度学习模型 (VGG16,ResNet34,MobileNet V3) 开发AutoFibroNet,对203名中国成年人进行培训,这些成年人有活检确认的MAFLD.
• 将深度学习特征与临床和手动特征集成,使用多层感知子为联合模型.
• 在两个独立的队列中验证AutoFibroNet模型,以评估其通用性.

主要成果:

• 自动纤维网在培训套件中表现出极好的歧视,AUROC为1.00 (F0),0.99 (F1),0.98 (F2) 和0.98 (F3-4).
• 在独立队列中的验证显示出强大的区分能力,纤维化阶段的AUROC从0.80到1.00不等.
• 该工具在对不同患者群体的肝纤维化不同阶段的分类方面取得了很高的准确性.

结论:

• 自动纤维网 (AutoFibroNet) 是一种经过验证的自动化定量工具,用于准确地确定MAFLD患者肝纤维化的组织学阶段.
• 基于人工智能的方法为评估肝纤维化提供了一种可靠的方法,有可能改善患者管理.
• 这项技术在MAFLD中对非侵入性或最小侵入性纤维化评估具有显著的希望.