一项初步研究评估了肠道图像分析的转移学习方法,以帮助确定犬类蛋白质丧失肠病的治疗反应

科学领域:

• 兽医医学 兽医医学 兽医医学
• 计算病理学计算病理学
• 狗胃肠病学 狗胃肠病学

背景情况:

• 狗的蛋白质丧失肠道病变 (PLE) 具有谨慎的预后,死亡率高.
• 在诊断时区分食物反应 (FR) 和免疫抑制剂反应 (IR) 的PLE是具有挑战性的.
• 准确的区分对于在犬类PLE中有效选择治疗至关重要.

研究的目的:

• 评估一种转移学习计算方法,用于对狗十二指肠活检图像进行分类.
• 确定机器学习是否可以在诊断时区分食物反应的PLE (FR-PLE) 和免疫抑制剂反应的PLE (IR-PLE).
• 评估AI在引导犬类PLE初始治疗策略方面的潜力.

主要方法:

• 对17只患有PLE的狗的十二指肠活检样本的回顾性分析.
• 使用预训练的卷积神经网络模型进行图像分类.
• 在机器学习模型中采用了70/30的培训/测试数据分割.

主要成果:

• 机器学习模型在区分FR-PLE和IR-PLE方面取得了83.78%的准确性.
• 该算法分析了十二指肠活检样本的低放大,高分辨率图像.
• 成功的分化是基于诊断时收集的活检图像.

结论:

• 机器学习有望改善犬类PLE的诊断过程.
• 这种计算方法可以帮助临床医生选择适合犬类PLE的初始治疗方法.
• 对人工智能应用的进一步研究可以增强对复杂狗胃肠道疾病的决策.