深度学习神经网络引导的检测石棉体在支气管泡洗样品中的石棉体

科学领域:

• 肺部医学 肺部医学
• 计算病理学计算病理学
• 职业健康 职业健康 职业健康

背景情况:

• 暴露于石棉是全球重要的职业健康风险,导致肺部疾病.
• 石棉体 (ABs) 是暴露于石棉的指标,在肺组织和细胞样本中发现.
• 目前用于检测支气管支气管洗样品 (BALs) 中的ABs的方法耗时.

研究的目的:

• 开发和评估一种使用深度学习的新型诊断方法,用于在BAL中检测AB.
• 提高诊断与石棉相关的肺部疾病的效率和准确性.

主要方法:

• 用训练有素的神经网络模型分析了BAL的整片图像 (WSI).
• 该模型针对灵敏度进行了优化,允许潜在的假阳性.
• 性能与标准光显微镜 (LM) 和地面真相 (GT) 手动计数进行了比较.

主要成果:

• 与GT相比,深度学习模型在检测AB时获得了93.4%的灵敏度.
• 在大多数比较中,该模型表现出对标准LM的同等或更高的敏感性.
• 这表明了 AB 识别的有希望的自动化方法.

结论:

• 深度学习神经网络技术为例行BAL评估提供了一个强大的工具.
• 人工智能模型显示了有效和准确的石棉体检测的潜力.
• 人类专家审查仍然是最终确认发现的必要.