深度学习模型用于区分克罗恩氏病和肠结核病,使用肠道样本的全病态全幻灯片图像来区分克罗恩氏病和肠结核病

科学领域:

• 病理学 病理学 病理学
• 人工智能的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 克罗恩病 (CD) 和肠结核病 (ITB) 具有相似的组织病理特征,使准确的诊断变得复杂.
• 区分CD和ITB对于适当的患者管理和治疗策略至关重要.

研究的目的:

• 开发和评估一种深度学习 (DL) 模型,用于区分CD与ITB,使用手术切除标本的整个幻灯片图像 (WSI).
• 将DL模型的诊断性能与不同经验水平的病理学家进行比较.

主要方法:

• 一个深度学习模型在 1973 年的 WSI 中从三个中心的 85 个案例中接受了训练.
• 在内部培训和外部测试队伍中,使用接收器操作特征曲线 (AUC) 下的面积来评估模型的性能.
• 使用德龙的测试,对DL模型和初级,高级GI和高级非GI病理学家之间的诊断准确性进行了比较.

主要成果:

• DL模型实现了0.886 (训练) 和0.893 (测试) 的病例级AUC,以及0.954 (训练) 和0.827 (测试) 的幻灯片级AUC.
• 在培训队列中,DL模型的表现优于初级病理学家,并且与高级胃肠道病理学家相当.
• 在测试队列中,DL模型与高级非GI病理学家相比,表现优越.

结论:

• 成功开发了一种深度学习模型,用于对克罗恩病和肠结核病进行分类.
• DL模型显著提高了CD和ITB病理诊断的准确性.
• 这种人工智能驱动的方法提供了一个有价值的工具,以帮助病理学家在这些胃肠道疾病的差异诊断.