监督深度学习方法的性能和局限性,用于对IgA脏病发作质细胞的Oxford病理学分类
Nicola Altini1, Michele Rossini2, Sándor Turkevi-Nagy3
1Department of Electrical and Information Engineering (DEI), Polytechnic University of Bari, Via Edoardo Orabona n.4, Bari 70126, Italy.
Computer methods and programs in biomedicine
|September 18, 2023
概括
这项研究开发了一个人工智能管道,使用牛津分类系统自动分类IgA脏病. 深度学习模型准确地对质细胞进行细分,并确定改善病诊断的关键特征.
科学领域:
- 腎病理學 腎病理學
- 人工智能在医学中的应用
- 数字病理学数字病理学
背景情况:
- 牛津分类是IgA脏病诊断的关键基于证据的系统.
- 精确分类球元件对于患者管理至关重要.
- 目前的方法依赖于手动的病理评估,这可能是耗时的.
研究的目的:
- 开发一个端到端的深度学习管道,用于自动化丸细分和牛津分类.
- 为了复制介质细胞超细胞性 (M),内细胞超细胞性 (E),细分性硬化症 (S) 和活性新月 (C) 的得分.
- 为脏医学界提供一个免费可用的工具.
主要方法:
- 利用Mask R-CNN架构进行质细胞检测和细分.
- 从1056个PAS全幻灯片图像中对超过20,000个注释的质细胞进行训练的细分模型.
- 开发了使用专家标记的M,E,S和C特征的质细胞的分类模型,创建了MESCnn管道.
主要成果:
- 实例细分实现了高性能,AP50在验证上得分高达79.4%,在测试集上得分高达76.5%.
- 深度学习模型在分类单个质特征方面表现出强的表现 (例如,M的ROC-AUC高达90.2%).
- 端到端的MESCnn管道与专家分类在淋巴细胞和活检层面都有很好的相关性.
结论:
- 一个自动端到端的深度学习管道 (MESCnn) 已成功开发用于质牛津分类.
- 管道在颗粒状质和整个活检水平上进行分类.
- 细分和分类模块都是公开可用的,用于进一步的研究和开发.
