通过深度学习从抽取样本后的组织学部分来改善希尔施普伦格病的诊断:初步结果
Miriam Duci1,2, Alessia Magoni3, Luisa Santoro4
1Division of Pediatric Surgery, Department of Women's and Children's Health, University of Padova, Via Giustiniani 2, 35128, Padova, Italy.
Pediatric surgery international
|November 29, 2023
概括
一个人工智能 (AI) U-net模型准确地识别了在希尔施普朗格病 (HD) 组织学中的质细胞和神经. 这种深度学习方法提供了一个强大的方法来标准化和提高HD的诊断准确性.
科学领域:
- 组织病理学 组织病理学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 赫施普隆病 (HD) 的组织学诊断是复杂的,容易出现错误.
- 准确识别质细胞和缩神经对于HD诊断至关重要.
研究的目的:
- 开发和评估一种基于人工智能的U-net方法,用于检测HD组织学中的淋巴细胞和过敏神经.
- 评估AI模型在识别HD的关键组织学特征方面的稳定性和准确性.
主要方法:
- 开发了两种U-net模型:一种用于质细胞/正常神经,另一种用于缩神经.
- 专家病理学家和外科医生注释了甲固定的HD组织学幻灯片.
- 使用图像数据增强技术来增强模型训练和验证的数据集.
主要成果:
- 模型1 (质细胞/正常神经) 获得了92.32%的准确性.
- 模型2 (缩神经) 实现了91.5%的准确性.
- 人工智能模型是在从108个注释样本中获得的大量数据集上进行训练和验证的.
结论:
- 基于人工智能的U-net技术在检测希尔施普朗格病的关键组织学特征方面表现出高准确性.
- 这种深度学习方法有可能使得HD诊断标准化和简化.
- 人工智能工具可以帮助培训病理学家,改善患者的治疗结果.
