自动机器学习的应用,用于对猫类内镜样本的组织学评估
Tatsuhito Ii1, James K Chambers1, Ko Nakashima2
1Laboratory of Veterinary Pathology, Graduate School of Agricultural and Life Sciences, The University of Tokyo, Tokyo, Japan.
The Journal of veterinary medical science
|December 17, 2023
概括
自动机器学习模型准确地区分了猫肠道T细胞淋巴瘤和慢性肠道病变. 这些AI工具有助于病理学家诊断淋巴瘤并评估猫的预后因素.
科学领域:
- 兽医病理学 兽医病理学
- 计算病理学计算病理学
- 狗和猫科动物医学
背景情况:
- 在猫内镜样本中区分肠道T细胞淋巴瘤和慢性肠道病变 (CE) 存在诊断挑战.
- 准确的区分对于猫类胃肠道疾病的适当治疗和预后至关重要.
研究的目的:
- 开发和验证自动机器学习 (ML) 系统,以区分猫肠道T细胞淋巴瘤与CE.
- 使用ML模型预测克隆性并确定与猫的肠道淋巴瘤相关的预后因素.
主要方法:
- 四个ML模型在不同的实验条件下进行了训练和测试,包括疾病分化 (淋巴瘤与CE),淋巴瘤亚型 (大细胞与小细胞),酶B表达和T细胞受体 (TCR) 克隆性.
- 病理学家评估了淋巴细胞透,上皮质变异和上皮损伤的测试图像,以与ML模型预测相关联.
主要成果:
- 模型实现了高诊断性能,接收器操作特征曲线下面面积 (AUROC) 分数从0.904到0.962.
- 实验1 (淋巴瘤与CE) 的AUROC为0.943 (精度为87.59%,回忆率为87.59%).
- 与CE病例相比,ML预测的肠道T细胞淋巴瘤病例呈现出明显更高的淋巴细胞透和上皮质变异.
结论:
- 自动化ML系统显示出作为病理学家在诊断猫肠道T细胞淋巴瘤方面的辅助工具的巨大潜力.
- 这些模型可以帮助区分复杂的胃肠道疾病,并评估猫的关键预后指标.
- 开发的AI工具可以提高兽医胃肠病理学的诊断准确性和效率.
