由病理学家培训的机器学习分类器开发用于量化乳病特征,根据修改的沼泽得分和饮食干预反应来区分内镜活检
Aaron M Gruver1, Haiyan Lu2, Xiaoxian Zhao2
1Clinical Diagnostics Laboratory, Eli Lilly and Company, Lilly Corporate Center, Indianapolis, IN, 46285, USA.
Diagnostic pathology
|November 11, 2023
概括
机器学习在小肠活检中准确量化了乳病组织学特征,提高了诊断客观性. 这种人工智能方法与手动评分高度一致,有助于临床试验评估.
科学领域:
- 胃肠道学和病理学
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 组织学评估对于结核病的诊断和治疗监测至关重要.
- Marsh-Oberhuber 分类显示了观察者之间的变化.
- 需要对组织学特征进行客观的量化.
研究的目的:
- 开发和评估由病理学家培训的机器学习分类器,以客观量化乳病组织学特征.
- 评估机器学习的能力,以测量皮,内皮细胞淋巴细胞瘤和密室增生.
主要方法:
- 一个卷积神经网络 (CNN) 被训练在CD3免疫组织化学全片图像上量化内皮质淋巴细胞 (IEL).
- 该CNN与二级算法相结合,将功能输出与修改后的Marsh分数相关联.
- 使用个别量化特征开发了一个机器学习分数 (MLS).
主要成果:
- 量化的内皮质淋巴细胞计数与马什得分有显著的相关性 (p < 0.0001).
- 机器学习识别了小麻和密室增多症,马什分数组之间存在显著差异 (p < 0.0001).
- 开发的MLS在96.4%的干预前后活检中与手动马什得分保持一致.
结论:
- 机器学习分类器可以客观地量化乳病活检中的组织学特征.
- 人工智能方法提供了超越手动评分局限性的改善活检评估.
- 对于临床试验,建议对这些方法进行进一步的研究.
