人工智能模型的表现,用于识别和量化Eosinophilic食道炎的组织学特征在活检样本上的表现

科学领域:

• 数字病理学数字病理学
• 人工智能的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 性食道炎 (EOE) 诊断依赖于食道活检的组织学评估.
• 标准化的评分系统,如性食道炎组织学评分系统 (EoEHSS),对于一致的评估至关重要.
• 客观和可重复量化EoE中本病学特征仍然是一个挑战.

研究的目的:

• 开发和评估基于人工智能的数字病理学模型,用于评估EoE相关的组织学特征.
• 为了比较AI模型的表现与专家胃肠道 (GI) 病理学家在评分EoEHSS参数方面的表现.
• 确定人工智能模型在识别关键特征方面的准确性,例如峰值胆固醇细胞计数 (PEC).

主要方法:

• 一个受监督的深度学习人工智能模型在203个食道活检样本 (91个成年人,112个儿科) 和10个对照的整片图像上进行了训练.
• 人工智能模型分析了PEC和其他EoEHSS特征的数字幻灯片.
• 通过比较AI衍生的得分与原始和中央GI病理学家的得分,使用相关性 (Pearson's r) 和协议 (ICC) 度量来评估表现.

主要成果:

• 人工智能模型显示了强烈的相关性 (r=0.89-0.91) 和协议 (ICC=0.83-0.87) 与病理学家对EoEHSS评分,与病理学家之间的协议相比较.
• 在两种病理学家评估中,AI模型准确地识别了高PEC (>15埃索诺菲尔/HPF) 与曲线下的高面积 (AUC=0.98).
• 人工智能对每次上皮层单位面积平均乙素的分析显示,其性能与高功率现场分析相似.

结论:

• 开发的AI模型准确地识别,量化和评分了EoE的关键遗传病理特征.
• 人工智能模型实现了比较于经验丰富的胃肠道病理学家之间的得分协议.
• 这种人工智能工具显示了提高 EoE 组织学评估的客观性和效率的潜力.