使用深度学习来自动化儿科性结肠炎中乙氨基细胞计数 组织病理学图像

科学领域:

• 组织病理学 组织病理学
• 人工智能的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 在粘膜组织病理学中,准确地识别炎症细胞,特别是埃索诺菲尔细胞,对于诊断性结肠炎 (UC) 至关重要.
• 结肠粘膜中的埃索因菲尔数量与UC疾病的过程相关.
• 手动细胞计数耗时,容易产生主观偏见.

研究的目的:

• 开发一种自动化工具,使用深度学习计算粘膜组织病理图像中的eosinophilic细胞.
• 与手动专家注释相比,评估自动化工具的准确性和可靠性.

主要方法:

• 基于U-Net的深度学习模型被开发和优化,使用530个注释的直肠粘膜活检作物.
• 数据集被分为培训 (305种作物) 和验证 (75种作物) 集,其中150种作物用于测试.
• 该模型的性能与SAU-Net进行了比较,SAU-Net是一种最先进的U-Net变体,使用F1得分,精度和回忆等指标.

主要成果:

• 开发的深度学习模型获得了0.86的F1得分,明显超过了SAU-Net (F1得分:0.2).
• 该模型在识别乙氨基基细胞时表现出高精度 (0.77) 和回忆 (0.96).
• 在算法的计数和专家病理学家的手动注释之间观察到强烈的相关性 (相关系数为0.89和0.88).

结论:

• 基于深度学习的自动化乙性细胞计数为分析组织病理图像提供了强大而准确的方法.
• 开发的工具与手册专家注释有很高的一致性,为临床实践提供了可靠的替代方案.