用人工智能对角质银行进行质量控制:比较一种基于深度学习的新方法与传统的内皮细胞计数,由"Rhine-Tec内皮细胞分析系统"进行

科学领域:

• 眼科和移植手术 眼科和移植手术
• 医学成像和人工智能 医学成像和人工智能

背景情况:

• 内皮细胞密度 (ECD) 对于角膜移植活力和移植资格至关重要.
• 目前的ECD量化依赖于Rhine-Tec系统,使用具有有限细胞样本的固定计数框架.
• 由于框架放置和手动校正,莱-Tec方法的主观性可能会影响测量的准确性.

研究的目的:

• 开发和验证一种基于深度学习的新方法,用于自动检测和量化内皮细胞.
• 将新深度学习方法的准确性和客观性与传统的Rhine-Tec系统进行比较.
• 评估深度学习方法的临床影响,特别是在移植释放值周围.

主要方法:

• 开发了一种深度学习算法,可以在显微镜图像中自动检测所有可见内皮细胞.
• 通过深度学习方法和Rhine-Tec系统分析了9375张档案的角膜移植图像.
• 统计比较包括平均值,布兰德-阿尔特曼分析和相关性分析,以评估方法一致性.

主要成果:

• 深度学习方法显示了与Rhine-Tec系统相似的结果,平均差异为-23个细胞/mm2.2.
• 在两种方法之间观察到统计学上显著的正相关性 (r=0.748).
• 布兰德-阿尔特曼分析显示,集群偏差接近2000-2500细胞/mm2范围,莱-Tec值更高,这表明深度学习方法的客观性增加.

结论:

• 基于深度学习的ECD测量方法是有效的,可以与已建立的Rhine-Tec系统进行比较.
• 观察到的偏差突出了人工智能驱动分析提高客观性的潜力,特别是在关键值周围.
• 全面区域内皮细胞评估对于切割切割术中移植释放决定至关重要,因为当前的深度学习方法不能完全取代这种综合性评估.