基于分段-任何模型的捐赠肝脏中检测大滴状巨状脂肪瘤

科学领域:

• 医学成像分析分析 医学成像分析
• 计算病理学计算病理学
• 医学中的人工智能.

背景情况:

• 肝移植对于末期肝病至关重要,但受供体器官可用性限制.
• 在捐赠肝脏中,严重的大滴脂肪 (LDF) 巨型肌肉脂肪瘤可以导致移植并发症.
• 精确检测LDF肝细胞对于评估肝脏健康和移植活力至关重要.

研究的目的:

• 评估细分-任何模型 (SAM) 在肝脏活检中检测LDF肝细胞.
• 评估SAM在识别LDF肥胖症方面的表现.
• 开发方法来提高基于AI的LDF肝细胞检测的准确性.

主要方法:

• 使用了基于DEtection TRansformer架构的分段-任何模型 (SAM).
• 在病理学家注释的肝脏活检样本上训练并评估SAM.
• 开发过算法以提高SAM检测的特异性.
• 集成的SAM与基于规则的算法,以改善LDF肝细胞识别.

主要成果:

• 分段-任何模型在检测LDF肝细胞方面表现出高灵敏度.
• 最初的特异性因与其他细胞结构的视觉相似性而受到损害.
• 过算法显著提高了LDF肝细胞检测的特异性.
• 集成的SAM和基于规则的系统准确地识别了LDF肝细胞.

结论:

• 人工智能,特别是分段-任何模型,在肝脏组织学中检测LDF肝细胞方面表现有前途.
• 将AI细分与基于规则的过相结合,可以提高肝硬化症的诊断准确度.
• 人工智能用于肝脏组织学分析的进步可以改善肝脏疾病的诊断和治疗.