使用机器学习自动检测微观的胎盘特征,表明母亲的血管输血不良,使用机器学习
Purvasha Patnaik1, Afsoon Khodaee2, Goutham Vasam1
1Interdisciplinary School of Health Sciences, Faculty of Health Sciences, University of Ottawa, Ottawa, ON, Canada.
Placenta
|November 27, 2023
概括
机器学习准确地将胎盘母体血管失 perfusion (MVM) 病变分类为妊娠高血压障碍 (HDP) 和胎儿生长限制 (FGR). 这种自动化方法有助于诊断胎盘病理,提高产科护理的一致性.
科学领域:
- 产科和妇科 产科和妇科
- 计算病理学计算病理学
- 数字病理学数字病理学
背景情况:
- 妊娠高血压障碍 (HDP) 和胎儿生长限制 (FGR) 是常见的,通常与胎盘母体血管输血 (MVM) 相关.
- 目前对MVM的手册病理学是资源密集型的,并且具有可变的病理学家间协议.
- 需要客观的诊断工具来提高胎盘病理的准确性和一致性.
研究的目的:
- 应用机器学习 (ML) 在胎盘组织病理图像中对MVM病变进行分类.
- 开发和评估支持矢量机 (SVM) 分类器,用于在HDP和FGR情况下检测MVM.
- 为了评估ML模型的性能与MVM存在的手动评分相比.
主要方法:
- 使用ResNet18功能开发了一个支持向量机 (SVM) 分类器.
- 159张数码胎盘组织病理图像被手动评分为MVM病变 (MVM或MVM+).
- 该模型经过数据增强训练,并使用补丁级和图像级分类指标 (准确性,精度,回忆) 进行评估.
主要成果:
- SVM模型在补丁级别的MVM分类中达到70%的准确度,在图像级别的MVM分类中达到79%的准确度.
- 边界MVM存在的图像的分类性能最低.
- 这项研究证明了ML在分析胎盘组织病理学的可行性.
结论:
- 机器学习显示出在胎盘病理学中自动化MVM病变分类的前景.
- 这项概念验证研究支持进一步开发和整合在产科诊断中的ML工具.
- ML辅助病理学可以提高HDP和FGR的诊断一致性和效率.
