在Sirius红色组织学上进行纤维化严重程度评分,使用多实例深度学习

科学领域:

• 数字病理学数字病理学
• 医学中的人工智能.
• 肝脏疾病研究 肝脏疾病研究

背景情况:

• 非酒精性脂肪性肝病 (NAFLD) 是全球慢性肝病的主要原因,影响30%的人口.
• 精确的纤维化组织病理学评估对于NAFLD诊断和患者结果预测至关重要.
• 目前的基因病理学读数存在显著的分级间和分级内变化.

研究的目的:

• 开发和验证用于NAFLD中自动纤维化严重性评分的深度学习解决方案.
• 为了利用数字化全幻灯片图像 (WSIs) 实现客观和可重现的纤维化分期.
• 为人工智能驱动的NAFLD纤维化评估建立新的最先进的绩效基准.

主要方法:

• 分析了来自NAFLD患者的152个Sirius-Red染色的WSI的回顾性队列.
• 纤维化阶段由专家病理学家在幻灯片级别进行注释.
• 采用多重实例学习和多重推断技术来处理稀疏的病理特征.

主要成果:

• 开发的深度学习模型实现了高性能指标.
• 准确度: [插入准确度值]
• F1 评分: [插入 F1 评分值]
• AUC: [插入 AUC 值] 的值.

结论:

• 这种新型的深度学习解决方案显示了在NAFLD中准确和一致的纤维化严重性评分的巨大潜力.
• 这种人工智能驱动的方法可以减轻组织病理学诊断的变化.
• 取得的结果代表了NAFLD中自动纤维化评估的最新技术.