相关实验视频
Updated: Jul 11, 2025
05:00
Using a Chemical Biopsy for Graft Quality Assessment
Published on: June 17, 2020
5.2K
一项大规模的回顾性研究使得基于深度学习的病理评估能够对冷采购脏活检进行预测移植损失和指导器官利用
Zhengzi Yi1, Caixia Xi1, Madhav C Menon2
1Renal Division, Department of Medicine, Icahn School of Medicine at Mount Sinai, New York New York, USA.
Kidney international
|November 3, 2023
概括
深度学习模型从活检图像中准确识别脏组织损伤,改善器官利用率. 这种人工智能方法可以减少不必要的丢弃已故捐赠者的脏进行移植.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學.
- 人工智能的人工智能
- 数字病理学数字病理学
背景情况:
- 脏捐赠者活检评分指导器官使用,但面临着冷部分的挑战,导致变化和丢弃.
- 组织学评分的观察者间和观察者内部变异性导致未达到最佳的已故捐赠的利用率.
研究的目的:
- 开发和验证深度学习模型,用于在采购针活检中自动识别组织区.
- 使用人工智能衍生功能创建捐赠者质量评分 (KDQS),以预测移植损失和改善器官利用率.
主要方法:
- 使用2431个采购针活检 (2011-2020) 的全幻灯片图像构建深度学习模型.
- 提取整片异常特征 (硬化淋巴细胞,动脉内极纤维化,间隙异常) 并与病理学家得分和移植结果相关联.
- 用KDQS与临床因素相结合,对形活检和预测移植损失的模型性能进行评估.
主要成果:
- 该模型在识别正常/硬化淋巴细胞 (96%/91%),动脉/纤维化 (94%) 和管道 (90%) 方面取得了很高的准确性.
- 人工智能衍生的特征与病理学家得分有很强的相关性,并且与移植后的结果 (eGFR,移植损失) 有更好的关联.
- KDQS和临床因素准确地预测了1年和4年的移植损失;分析表明110个丢弃的脏可能已经成功移植.
结论:
- 深度学习模型可以可靠地分析脏活检组织学,克服手动评分的局限性.
- 开发的KDQS和生存预测模型为客观风险分层和增强器官利用提供了有前途的工具.
- 实施这些人工智能工具可能会显著减少无需丢弃可行的捐赠脏,改善移植率.
