一种深度学习方法,用于直接识别自身免疫性突发性疾病中的免疫光模式

科学领域:

• 皮肤病学 皮肤病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 人工智能 (AI) 和深度学习 (DL) 正在改变医疗保健,包括皮肤病诊断.
• 使用人工智能自动化免疫光 (IF) 解释自身免疫皮病 (AIBD) 仍然是一个尚未探索的领域.
• 直接免疫光 (DIF) 对于AIBD诊断至关重要,但手动解释是耗时的.

研究的目的:

• 开发和评估AI算法,用于AIBD中的DIF模式的自动分类.
• 通过DL驱动的IF解释,提高诊断准确度和简化疾病管理.
• 通过加速AIBD诊断来改善患者的治疗结果.

主要方法:

• 从疑似AIBD患者的皮肤活检中收集的DIF图像 (2022年1月至2024年1月).
• 由专家皮肤科医生将图像分类为细胞间图像 (ICP),线性图案 (LP) 或负面图像.
• 训练和评估深度神经网络,包括CNN和Swin Transformer,使用转移学习,加权损失和数据增强.

主要成果:

• 斯温变压器实现了最高的平均验证准确率 (98.5%).
• 最好的模型在测试套件上显示了94.6%的准确性,95.3%的灵敏性和97.5%的特异性.
• 格拉德-CAM可视化证实了该模型专注于特有的DIF模式.

结论:

• 卷积神经网络 (CNN) 准确地识别了用于自动化分析的DIF特征.
• 人工智能驱动的DIF解释在皮肤病诊断中提供可重现性,速度和成本效益.
• 将DL集成到皮肤免疫光学中,有望为AIBD提供精确的诊断和简化报告.