基于机器学习的病理学的临床应用 胃缩的签名
Yadi Lan1, Bing Han1, Tianyu Zhai1
1Department of Gastroenterology, Shandong Provincial Hospital, Shandong University, Jinan, Shandong, China.
Frontiers in oncology
|March 13, 2024
概括
这项研究开发了一种机器学习模型,使用病理特征来改善胃缩的诊断,提高一致性并将其与内镜分级和胃癌风险联系起来.
科学领域:
- 病理学 病理学 病理学
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 胃缩诊断是主观的,导致不一致的结果.
- 开发客观的诊断方法对于患者护理至关重要.
研究的目的:
- 使用病理特征建立用于胃缩诊断的机器学习 (ML) 模型.
- 改善诊断的一致性,并将发现与临床结果相关联.
主要方法:
- 对289个样本的HE染色胃活检幻灯片进行了回顾性分析.
- 使用CellProfiler软件进行图像细分和特征提取.
- 通过LASSO选择特征,并使用ML算法构建模型.
主要成果:
- 选择了10个病理特征,以构建中度至重度缩的诊断模型.
- 后勤回归 (LR) 模型在训练,测试和验证集中实现了高AUC值 (0.818-0.901).
- ML衍生的病理评分与内镜缩小等级和胃癌 (GC) 风险相关.
结论:
- 基于病理特征的ML模型提高了胃缩诊断的一致性.
- 该模型的发现与内镜缩分级和胃癌发病率有关.


